Vad är artificiell intelligens vid upphandling?

I enkla termer, artificiell intelligens avser förmågan hos maskiner eller datorprogram att efterlikna vissa aspekter av mänsklig intelligens och utföra uppgifter. AI-system kan lära sig, problemlösa, förstå mänskligt språk, förnuft och till och med ”se” sin egen miljö. AI vid anskaffning är användningen av denna avancerade teknik för att automatisera och förbättra viktiga anskaffningsprocesser i en organisation – till exempel kontraktshantering och strategisk bestämning av leveranskälla . Upphandlingsteamen använder i allt högre grad AI för att öka effektiviteten, minska kostnaderna, minska riskerna och förbättra beslutsfattandet när de navigerar efter nya affärskrav och marknadsutmaningar.

Typer av inköps-AI

Det finns fem huvudtyper av AI som används vid upphandling idag:

1. Artificiell intelligens (AI): allmän term för all programvara eller algoritm som kan betraktas som ”smart”
2. Maskininlärning (ML): en delmängd av AI, maskininlärningsalgoritmer kan känna igen mönster i dataset och använda dem för att fatta beslut, göra prognoser eller göra prognoser
3. Robotic process automation (RPA): algoritmer som efterliknar mänskliga åtgärder för att utföra repetitiva uppgifter. RPA anses inte tekniskt vara en typ av AI utan kan drivas av den.
4. Naturlig språkbehandling (NLP): algoritmer som kan förstå, tolka och generera mänskligt språk – såsom chattrobotar, copiloter och virtuella assistenter
5. Optisk teckenigenkänning (OCR): algoritmer som kan identifiera och extrahera text från bilder och skannade dokument, till exempel pappersbaserade fakturor

Generativ AI i anskaffning

Sedan ChatGPT gick live i slutet av 2022 har generativ AI varit det heta ämnet i styrelserum runt om i världen. Med sin förmåga att skapa nytt innehåll via ett enkelt användargränssnitt är generativ AI redo att störa företag och till och med hela branscher. Vissa framåttänkande inköpsteam börjar använda det för att generera RFP-dokument, skapa helt nya processer och lägga till leverantörer på en autonom urvalslista. Generativ AI i upphandlingen är i sin linda, men dess potential är enorm.

AI i användningsfall för anskaffning

Upphandling är under stark press för att leverera kostnadsbesparingar, minska risker, förbättra hållbarheten och spela en mer strategisk roll i verksamheten. För att möta dessa mål, och hålla jämna steg med den snabba förändringstakten, måste lagen vara otroligt agila – och bli mer proaktiva, och mindre reaktiva, i allt de gör. AI hjälper till inom vissa nyckelområden för upphandling:

• Utgiftsklassificering och analys: Utgiftsklassificeringsalgoritmer kan snabbt söka igenom detaljposter och markera nyckelord som knyter an till utgiftskategorier med nästan perfekt noggrannhet. AI-driven utgiftsanalys kan också hjälpa team att proaktivt identifiera möjligheter till kostnadsbesparingar och utgöra grunden för bättre strategier för bestämning av leveranskälla, kategori och utgiftshantering.
• Global strategi för bestämning av leveranskälla: Genom att analysera stora globala dataset kan maskininlärningsalgoritmer identifiera förskjutningar i försörjningstrender, förutsäga framtida utveckling och hjälpa till att informera om globala strategier för bestämning av leveranskälla.
• Guidade inköp: AI-assisterade artikelrekommendationer samlar inköpspolicyer för att göra det enkelt för användare att hitta det de letar efter, uppmuntra utgifter i företagets katalog för att undvika onödiga kostnader och låta inköpsavdelningen erbjuda skräddarsydd hjälp. Det ger också snabb åtkomst till föredragna leverantörer samtidigt som det innehåller användbara skyddsräcken.
• Intelligent sourcing och leverantörshantering: AI-driven programvara kan analysera leverantörsdatabaser, marknadstrender, historiska data, ESG-rapporter och andra faktorer för att rekommendera de bästa leverantörerna för specifika behov. Den kan också ge en omfattande inblick i ett företags leverantörsbas, vilket bidrar till att förbättra leverantörernas prestationer och främja strategiska prioriteringar.
• Uppläggning av offertförfrågan: AI kan automatiskt generera anbudsförfrågningar, offertförfrågningar och andra RF-dokument – från att utveckla leverantörslistor till att utarbeta nyckelfrågor.
• Hantering av leverantörsrisker: AI-algoritmer kan snabbt upptäcka plötsliga förändringar hos en leverantör eller leverantör och bedöma hur ändringen kommer att påverka risken. De kan också samla in miljontals olika datakällor för att varna företag om potentiella risker i hela försörjningskedjan.
• Efterlevnad: Genom att använda AI för att strukturera data för kontrakt, fakturor och inköpsorder kan företag automatiskt jämföra betalningsvillkor, eliminera dubbletter och identifiera bristande efterlevnad.
• Dataextraktion: Naturlig språkbearbetning kan extrahera data från fakturor och kontrakt för att identifiera risker och bedrägerier, ge större insikt i affärsutgifter och snabba upp processer från början till slut. NLP kan också samla in data från externa källor såsom marknadsindex, företags kreditbetyg, sociala medier och offentligt tillgänglig information om leverantörer för att upptäcka möjligheter och risker.
• Hantering av kontraktets livscykel: AI-drivna verktyg kan automatiskt generera första utkast av kontrakt, stödja förhandlingar och flagga potentiella risker på kontraktsspråk. De kan också övervaka villkor och tidsfrister för att säkerställa efterlevnad.
• AP-automatisering: Intelligent RPA kan eliminera manuella uppgifter i leverantörsreskontraprocesser, påskynda fakturabearbetning och godkännanden, förbättra exaktheten och säkerställa efterlevnad. Optisk teckenigenkänning kan läsa viktig information från pappersbaserade fakturor för att förbättra processen och digitalisera dokument.

Fördelar med AI vid bestämning av leveranskälla och anskaffning

Integrationen av AI i upphandlings- och anskaffningsrelaterade processer ger många fördelar, bland annat:

• Smartare beslutsfattande: AI kan analysera stora datavolymer snabbt och korrekt. Denna datadrivna metod ger inköpare utförbara insikter om utgiftsmönster, leverantörsprestationer och marknadstrender. AI-driven prediktiv analys och scenarioanalys kan också hjälpa team att bedöma alternativ, reducera risker och fatta bättre upphandlings- och utgiftsbeslut.
• Effektivitet och automatisering: AI-driven automatisering av repetitiva och tidskrävande uppgifter – såsom datainmatning och fakturabearbetning – förbättrar effektiviteten och frigör inköpare att fokusera på mer strategiskt arbete.
• Kostnadsbesparingar: Med AI kan organisationer förbättra leverantörsurvalet, förhandla fram bättre affärer och mer exakt prognostisera efterfrågan – för betydande kostnadsbesparingar. De kan också analysera utgiftsmönster för att identifiera och agera på ytterligare möjligheter att minska kostnaderna.
• Riskreducering: AI-verktyg kan proaktivt identifiera och bedöma risker kopplade till leverantörer, marknadsvillkor och regeländringar – så att inköpsteam kan minska avbrott i försörjningskedjan innan de inträffar.
• Bättre relationer med leverantörer: Genom att tydligt ange krav och förväntningar i förfrågningar om förslag, och genom att övervaka och utvärdera leverantörers prestationer, kan AI bidra till utvecklingen av starkare och mer tillförlitliga leverantörsrelationer.

Utmaningar med att implementera AI i anskaffning

Implementeringen av AI i anskaffningsprocesser ger betydande fördelar, men kan även innebära vissa utmaningar.

• AI behöver mycket stora volymer av högkvalitativa data för att korrekt utbilda algoritmer och vägleda beslutsfattandet – så företag måste investera i datakvalitet och underhållsinitiativ för att undvika prestationer av lägre kvalitet.
• AI-lösningar måste också integreras med andra inköpsprogram och ERP-system, som ofta kräver middleware, API:er och anpassning.
• Dessutom är rätt kompetens och expertis nödvändiga för att implementera, hantera och driva AI, och dessa är ibland i kort efterfrågan.
• Slutligen är AI-system ofta beroende av känsliga data, så robust cybersäkerhet, kryptering och datasekretess är avgörande.

Navigering av dessa utmaningar kräver ett genomtänkt tillvägagångssätt, men organisationer som gör det rätt kan låsa upp de enorma fördelarna med AI vid upphandling.

Så här använder du AI vid anskaffning: Bästa praxis

Här är några exempel på bästa praxis för att integrera AI i dina inköpsprocesser:

Steg 1: Definiera tydliga mål

Från kostnadsbesparingar till ökad effektivitet och bättre beslutsfattande – att ha tydliga mål hjälper dig att styra din implementeringsstrategi.

Steg 2: Börja med ett litet pilotprojekt

Att försöka transformera alla dina inköpsprocesser på en gång är ett recept på katastrof. Hitta ett enkelt och enkelt användningsfall – som att automatisera din befintliga process för upphandlingshändelser – för att starta. På så sätt kan du bedöma effektiviteten hos dina AI-lösningar i en kontrollerad miljö, identifiera eventuella utmaningar och göra justeringar innan du skalar upp.

Steg 3: Säkerställa datakvalitet och datavolym

Fånga så mycket relevant data du kan – och rensa och förbered den för att se till att den är högkvalitativ, konsekvent och fullständig – innan du matar in den i AI-modeller. Att ta itu med dataproblem på förhand är avgörande för att AI ska lyckas. Sopor in, skräp ut, som de säger.

Steg 4: Ta in viktiga intressenter

Samarbeta med andra inköpare samt ekonomi- och IT-team tidigt i processen och tilldela en verkställande sponsor som intressent. Detta steg är avgörande för att skapa förståelse för viktiga behov, säkerställa anpassning till affärsmål och säkra inköp.

Steg 5: Integrera med befintliga system

För att minimera störningar och maximera fördelarna med AI är det viktigt att integrera AI-lösningar med befintliga anskaffningssystem, ERP och andra företagsapplikationer.

Steg 6: Tillhandahålla utbildning och ändringshantering

Hjälp inköpare att bekanta sig med AI-verktyg – och uppmuntra till användaranpassning – genom att tillhandahålla utbildning och visa hur AI kan hjälpa till med deras dagliga uppgifter. Implementera en robust förändringshanteringsstrategi och visa hur din inköpsteams expertis kan utökas – och inte ersättas – med AI-teknik.

Steg 7: Håll det etiskt och säkert

Granska regelbundet AI-modeller och övervaka med mänsklig tillsyn för rättvisa, efterlevnad av dataskyddsbestämmelser och etiska överväganden – särskilt partiskhet i algoritmer. Implementera robusta cybersäkerhetsmetoder för att skydda känsliga data och bygga förtroende bland användare.

Läs mer