Stel u dit eens even met mij voor. Stel dat u inkoopdirecteur bent bij een middelgrote fabrikant van regelcomponenten in het Midwesten. U loopt op een heldere maandagochtend uw kantoor binnen en zegt tegen uw digitale bureau-assistent: “OK, “Bridget”, laat me de afname zien van passieve componenten die de afgelopen maand op assemblagelijn 2 zijn gebruikt, en geef me een bestelprognose voor 90 dagen om te bekijken, gebaseerd op het huidige verbruik en de verwachte leveringen ± 10%”.

Binnen enkele seconden verschijnt er een spreadsheet op uw computerscherm en vraagt uw digitale assistent of u de geprojecteerde componentbehoefte wilt afstemmen op de geschatte voorraden van componenten op de open markt, en rekening wilt houden met prijsschommelingen door verwachte tariefverhogingen.

Dat is de belofte van kunstmatige intelligentie (AI), die de inkoopsector blijft veranderen. De vraag is echter: hoe ver zijn we nog verwijderd van dit scenario?

Sinds de term “kunstmatige intelligentie” (AI) in 1956 voor het eerst werd bedacht door Stanford-computerwetenschapper John McCarthy, is de definitie ervan aanzienlijk geëvolueerd. Aanvankelijk verwees AI naar “computer- of machinesystemen die in staat zijn taken uit te voeren die normaal gesproken menselijke intelligentie zouden vereisen”.

In 1961 schreef de Britse wetenschapper en wiskundige Alan Turing over het idee van machines die “mensen kunnen simuleren en intelligente dingen kunnen doen”. Het kernwoord destijds was “simuleren”.

De definitie van de term, zoals die vandaag wordt gebruikt, is echter het vermogen van een computer of machine om niet alleen te “simuleren”, maar daadwerkelijk handelingen uit te voeren die gelijkwaardig zijn aan leren en besluitvorming bij mensen.  Het verschil zit in de toevoeging van het woord “leren”, wat betekent dat machines zich aanpassen op basis van ervaringen met, of als onderdeel van, hun omgeving, en hun acties daarop aanpassen.

Machine learning bepaalt in feite de nieuwe AI, wat het gebruik ervan in inkoopsystemen en toeleveringsnetwerken bijzonder interessant maakt. Machine learning is afhankelijk van het verwerken en analyseren van enorme hoeveelheden data die door een proces of systeem worden gegenereerd, en het vervolgens leren van die data om andere systemen te adviseren of letterlijk te besturen.

Inkoop genereert enorme hoeveelheden data waarvan AI-systemen kunnen leren, en naarmate geavanceerde sensoren en sensornetwerken, plus het internet der dingen, een steeds belangrijker onderdeel worden van procesbesturingssystemen, voorraadbeheersystemen en transport- en verzendnetwerken, worden de datasets steeds rijker.

Bij veel inkoopafdelingen voeren analytics en big data momenteel de boventoon, terwijl datakwaliteit en -integratie op de achtergrond raken. Dit betekent dat relatief kleine kostenbesparingen door volumeprijzen, gebundelde levering of andere inkoopefficiënties voorrang krijgen boven zaken waar AI goed in is, zoals het identificeren van cognitieve vooroordelen in de inkoop, wat tot veel grotere efficiëntieverbeteringen zou kunnen leiden.  

AI heeft mogelijk zelfs de grootste directe impact door bedrijven te waarschuwen voor factoren die hun prestaties beïnvloeden en waarmee nog geen rekening is gehouden. Inzicht hebben in de totale uitgaven van een organisatie, via spend-analysesoftware, kan grote hoeveelheden uitgavendata inzichtelijk maken en leiden tot geconsolideerde uitgaven, lagere kosten, snellere processen en een grotere algehele efficiëntie.   

Het gebruik van AI in de inkoopfunctie, samen met bedrijfsbrede inzet voor geïntegreerde gegevensverzameling en slimme processen, kan ook leiden tot kansen op het gebied van strategisch denken en sourcing in het algemeen. De ontwikkeling van cognitieve inkoopadviseurs (CPA’s) en virtuele persoonlijke assistenten (VPA’s) die gebruikmaken van natuurlijke taalverwerking, zoals bij “Bridget” in ons openingsvoorbeeld, kan leiden tot meer automatisering en efficiëntie binnen de gehele inkoopfunctie.

CPA’s kunnen bijvoorbeeld samenvattingen opstellen, advies geven en aanbevelingen doen op het gebied van leveranciersbeoordelingen, prestaties, risicobeheer en compliance. Softwareleverancier SAP Ariba biedt al een AI-gestuurd pakket aan dat het inkoopbeleid en de procedures van een bedrijf kan begrijpen en deze kan toepassen op het gebied van facturering en betalingen om fouten te verminderen en de verwerking te versnellen.

Kort gezegd bestaan AI-systemen al, of worden ze ontwikkeld, die mogelijkheden beloven die onder meer het volgende omvatten:

• Detectie van onvolledige of onnauwkeurige interne uitgavendata
• Automatisering van routinetaken (onderhandelen met leveranciers, bijwerken van voorraadlijsten, enz.)
• Vergelijking van interne data met externe trends en individuele leveranciersdata om risico’s beter te beheren
• Volgen en rapporteren van wisselkoersvolatiliteit en het effect daarvan op de uitgaven
• Geautomatiseerde inkoopsuggesties op basis van historische trends
• Inzichten in de prestaties van de interne versus externe inkoopfunctie en uitgavenpatronen
• Leveranciersaanbevelingen afgestemd op specifieke productiebehoeften
• Identificatie van kansen voor snellere processen, lagere kosten en grotere efficiëntie
• Analyseren van externe vraagtrends om prijspatronen te voorspellen

De beschikbaarheid van deze analytische verwerkingskracht betekent echter niet dat de brede toepassing ervan even snel verloopt. Uit een recent onderzoek van de Hackett Group blijkt bijvoorbeeld dat, hoewel 85% van de bedrijfsleiders bij grote bedrijven denkt dat digitale technologie de manier waarop zij diensten leveren de komende 3 tot 5 jaar zal veranderen, slechts 32% van hen daadwerkelijk een digitale strategie in hun bedrijf heeft geïmplementeerd.

Ondanks dit algemene gebrek aan digitale strategie meldt Forrester Research echter dat 55% van de bedrijven vóór het einde van 2019 zal investeren in een vorm van AI, en onderzoek van Gartner Inc. geeft aan dat bijna 50% van de grote wereldwijde bedrijven in 2023 AI zal gebruiken in hun toeleveringsketenactiviteiten.

Het is duidelijk dat de realiteit van een of andere vorm van door AI ondersteund softwaregebruik in de hele industrie, en in de inkoopfunctie, de belofte begint in te halen. Als u bij een groot, wereldwijd bedrijf werkt, is de kans groot dat u al middenin de implementatie zit van verschillende strategieën waarin AI wordt toegepast. Mogelijk implementeert u al door AI ondersteunde robottechnologie voor orderafhandeling en bespreekt u het toenemende gebruik van door AI aangedreven robots om magazijnmedewerkers te ondersteunen.

Technologische ontwikkeling en praktische toepassing gaan niet altijd hand in hand. Maar de technologische ontwikkeling in het begin van de 21^e eeuw, met name het gebruik van AI in slimme inkoopsystemen, gaat steeds sneller. Transactioneel werk wordt geautomatiseerd. Beslissingen op basis van de analyse van omvangrijke meetgegevens zullen binnenkort gebruikelijk zijn. Voorspellingen op basis van diezelfde meetgegevens zullen zeker volgen.

Dit alles betekent dat de inkoopfunctie in organisaties, zowel groot als klein, zich steeds meer zal verplaatsen van operationeel naar strategisch. AI zal een grote invloed hebben op de snelheid van deze verandering. Één ding is zeker. AI is er om te blijven.