Представьте на минуту вместе со мной. Предположим, вы директор по закупкам на предприятии среднего размера, выпускающем компоненты управления и расположенном на Среднем Западе США. Вы заходите в свой кабинет одним солнечным утром понедельника и говорите своему цифровому настольному помощнику: «Хорошо, “Бриджет”, покажи мне расход пассивных компонентов, используемых на сборочной линии №2 за последний месяц, и дай мне прогноз заказов на 90 дней для проверки, основанный на текущем расходе и ожидаемых поставках ± 10%».

Через несколько секунд на экране вашего компьютера появляется таблица, и цифровой помощник спрашивает, хотите ли вы сопоставить прогнозируемую потребность в компонентах с расчётными запасами на открытом рынке и учесть колебания цен, связанные с ожидаемым повышением тарифов.

Именно это обещает искусственный интеллект (ИИ), продолжающий менять сферу закупок. Однако вопрос в том, насколько мы далеки от подобного сценария.

С тех пор как термин «искусственный интеллект» (ИИ) был впервые введён в 1956 году специалистом по информатике из Стэнфорда Джоном Маккарти, его определение значительно эволюционировало. Первоначально под ИИ понимались «компьютерные или машинные системы, способные выполнять задачи, которые обычно требуют человеческого интеллекта».

В 1961 году британский учёный и математик Алан Тьюринг писал об идее машин, способных «имитировать людей и совершать разумные действия». Ключевым словом тогда было «имитировать».

Однако определение этого термина в его современном понимании — это способность компьютера или машины не просто «имитировать», а фактически выполнять операции, эквивалентные человеческому обучению и принятию решений. Разница заключается в добавлении слова «обучение», которое означает, что машины адаптируются на основе опыта взаимодействия со своей средой (или как часть этой среды) и соответствующим образом корректируют свои действия.

Машинное обучение — это, по сути, то, что определяет новый ИИ, что делает его применение в системах закупок и цепочках поставок особенно интересным. Машинное обучение опирается на сбор и анализ огромных объёмов данных, генерируемых тем или иным процессом или системой, а затем на обучение на основе этих данных для консультирования или буквально управления другими системами.

Закупки генерируют огромные объёмы данных, на которых могут обучаться системы ИИ, и по мере того как сложные датчики и сенсорные сети, а также Интернет вещей становятся всё более важной частью систем управления процессами, систем управления запасами и транспортно-логистических сетей, наборы данных становятся всё богаче и разнообразнее.

Однако во многих отделах закупок сегодня главенствуют аналитика и большие данные, тогда как качество и интеграция данных отходят на второй план. Это означает, что относительно небольшая экономия затрат за счёт объёмных цен, консолидированных поставок или других мер по повышению эффективности закупок получает приоритет над теми областями, в которых ИИ действительно силён, — например, выявлением когнитивных искажений в закупках, что могло бы привести к значительно большей эффективности.  

На самом деле наибольшее непосредственное влияние ИИ может оказать, предупреждая компании о факторах, влияющих на их эффективность, которые ранее не учитывались. Понимание общих расходов организации с помощью программного обеспечения для анализа расходов помогает осмыслить огромные объёмы данных о расходах и приводит к консолидации затрат, их снижению, ускорению процессов и повышению общей эффективности.   

Использование ИИ в функции закупок в сочетании с корпоративной приверженностью интегрированному сбору данных и интеллектуальным процессам также может открыть возможности для стратегического мышления и поиска поставщиков в целом. Развитие когнитивных советников по закупкам (CPA) и виртуальных персональных помощников (VPA), использующих обработку естественного языка, — как «Бриджет» в нашем вступительном примере, — может привести к повышению автоматизации и эффективности во всей функции закупок.

Например, такие советники могут составлять сводки, давать рекомендации и советы, касающиеся оценки поставщиков, показателей эффективности, управления рисками и соблюдения нормативных требований. Поставщик программного обеспечения SAP Ariba уже предлагает пакет на основе ИИ, способный понимать закупочную политику и процедуры компании и применять их в области выставления счетов и платежей, чтобы уменьшить количество ошибок и ускорить обработку.

Короче говоря, системы ИИ либо уже существуют, либо разрабатываются и обещают возможности, которые включают, среди прочего:

• Выявление неполных или неточных внутренних данных о расходах
• Автоматизацию рутинных задач (переговоры с поставщиками, обновление списков запасов и т. д.)
• Сопоставление внутренних данных с внешними тенденциями и данными отдельных поставщиков для более эффективного управления рисками
• Отслеживание волатильности обменных курсов и её влияния на расходы, а также подготовку отчётности по ней
• Автоматизированные рекомендации по закупкам на основе исторических тенденций
• Анализ показателей эффективности внутренней и внешней функции закупок, а также моделей расходов
• Рекомендации по поставщикам с учётом конкретных производственных потребностей
• Выявление возможностей для ускорения процессов, снижения затрат и повышения эффективности
• Анализ внешних тенденций спроса для прогнозирования ценовых моделей

Однако наличие такой аналитической вычислительной мощности не означает, что её широкомасштабное внедрение происходит столь же стремительно. Более того, недавнее исследование Hackett Group показало, что, хотя 85% руководителей крупных компаний считают, что цифровые технологии изменят способ предоставления услуг в течение следующих 3–5 лет, лишь 32% из них внедрили цифровую стратегию в своей компании.

Несмотря на этот общий вакуум в цифровой стратегии, по данным Forrester Research, 55% компаний будут инвестировать в ту или иную форму ИИ до конца 2019 года, а исследование Gartner Inc. утверждает, что почти 50% крупных глобальных компаний будут использовать ИИ в операциях цепочки поставок к 2023 году.

Очевидно, что реальность применения того или иного программного обеспечения на основе ИИ в различных отраслях, в том числе в сфере закупок, начинает приближаться к обещанному. Если вы работаете в крупной глобальной компании, вполне вероятно, что вы уже по уши погружены во внедрение различных стратегий, использующих ИИ. Более того, возможно, вы уже внедряете роботизированные технологии на базе ИИ для выполнения заказов и обсуждаете расширение использования роботов на базе ИИ для помощи складским работникам.

Технологическое развитие и его практическое внедрение не всегда идут рука об руку. Но технологическое развитие в начале 21^-го века, в частности использование ИИ в интеллектуальных системах закупок, набирает всё большую скорость. Транзакционная работа становится автоматизированной. Решения, основанные на анализе огромных массивов показателей, вскоре станут обычным делом. За ними, безусловно, последуют прогнозы, построенные на тех же показателях.

Всё это означает, что функция закупок в организациях — как крупных, так и небольших — будет всё больше смещаться от операционной к стратегической. ИИ окажет значительное влияние на скорость этих изменений. Одно можно сказать точно: ИИ пришёл надолго.