Künstliche Intelligenz für supply chain

00:00:03 KI in supply chains.
00:01:02 Joannes Vermorels Sicht auf praktische KI.
00:02:40 Das Potenzial von KI für genauere Prognosen.
00:04:07 KI in der Praxis: Lösung der Fahrzeugteilkompatibilität.
00:06:33 Die Rolle der KI beim Umgang mit Randfällen in supply chains.
00:08:01 Das Potenzial von KI zur Erkennung systemischer Randfälle.
00:09:59 Anwendung von KI auf die Prognose in supply chains.
00:11:42 Notwendigkeit menschlicher Aufsicht bei KI-Implementierungen.
00:14:27 Widerstand gegen die Einführung von KI aufgrund von Arbeitsplatzängsten.
00:16:00 Die doppelte Rolle des Lagerbestands im Einzelhandel.
00:17:33 KI bei der Bestimmung des genauen Lagerbestandsbedarfs.
00:18:39 Die Auswirkungen der KI auf supply chain und Marketing-Rollen.
00:19:32 Herausforderungen bei der Implementierung von KI.

Zusammenfassung

Die Diskussion konzentriert sich auf den Einsatz von KI im supply chain management. Vermorel, Gründer von Lokad, betont das Potenzial der KI, komplexe Herausforderungen zu bewältigen, die über bloße statistische Probleme hinausgehen, wie zum Beispiel die Kompatibilität von Autoteilen, und Randfälle zu managen, die traditionell manuell gehandhabt werden. Trotz der weit verbreiteten Angst vor Arbeitsplatzverlusten argumentiert er, dass KI oft ermüdende Aufgaben übernimmt und so die Arbeitsqualität verbessert. Allerdings räumt er ein, dass die disruptive Natur der KI interne Konflikte auslösen kann, wie er an einem Beispiel darlegt, bei dem KI-gesteuerte Lageroptimierung Auswirkungen auf Marketing und supply chain hat. Vermorel schlägt vor, dass genau solche organisatorischen Veränderungen – und nicht der Einsatz von Software – die Einführung von KI in Unternehmen verlangsamen könnten, was einen signifikanten Wandel der Geschäftsgepflogenheiten im Laufe der Zeit signalisiert.

Erweiterte Zusammenfassung

Die Diskussion dreht sich um das Thema Artificial Intelligence (KI) im supply chain management und hebt potenzielle Vorteile und Implikationen hervor. Der Gastgeber, Kieran Chandler, leitet das Gespräch ein, indem er feststellt, dass KI ein aktuelles Schlagwort in der Tech-Branche ist. Dies veranlasst den Gast, Joannes Vermorel, über den Zeitpunkt der Integration von KI in supply chain Abläufe nachzudenken.

Vermorel stimmt Chandlers Aussage zur Buzzword-Natur von KI zu und schlägt vor, dass echte Experten in diesem Bereich den Begriff “artificial intelligence” selten verwenden. Er betont, dass, obwohl KI ein Schlagwort sei, dies die bedeutenden Entwicklungen unter dem KI-Dach nicht entwertet. Er nennt drei wesentliche Komponenten: verbesserte mathematische Methoden, eine zunehmende Menge an verfügbaren Daten und eine steigende Rechenleistung.

Vermorel vertritt die These, dass diese Fortschritte zu genaueren Prognosen im supply chain management führen können. Dennoch besteht er darauf, dass der Zeitrahmen für eine vollständige Integration unklar ist und wahrscheinlich Jahrzehnte in Anspruch nehmen wird, da die Supply chain Branche vor einzigartigen Herausforderungen steht.

Als Chandler um eine Klarstellung bezüglich der potenziellen Vorteile bittet, die fortschrittliche statistische Methoden oder deep learning Techniken dem supply chain management jenseits verbesserter Prognosen bieten können, argumentiert Vermorel, dass der Einfluss von KI vielschichtig ist. Er verdeutlicht, dass die KI-Revolution wie das Erleben von Farbe ist, nachdem man nur Schwarz und Weiß kannte; es geht nicht nur um eine höhere Auflösung, sondern auch darum, neue Perspektiven und Dimensionen zu eröffnen.

Er betont ferner, dass die bedeutendsten Vorteile von KI für das supply chain management aus Bereichen hervorgehen könnten, die zunächst nicht wie statistische Probleme erscheinen. Diese verborgenen Chancen für den Einsatz von KI, so Vermorel, werden den wahren Wert der KI zum Vorschein bringen.

Um seinen Punkt zu veranschaulichen, führt Vermorel ein Beispiel für einen nicht offensichtlichen Einsatz von KI im supply chain an: die Kompatibilität von Autoteilen. Er skizziert die Schwierigkeit, eine Datenbank über die Kompatibilität von Autoteilen zu pflegen – eine gewaltige Aufgabe, wenn man bedenkt, dass es allein in Europa Millionen einzigartiger Teile und Hunderttausende einzigartiger Fahrzeuge gibt.

Vermorel erklärt, wie sein Team bei Lokad maschinelles Lernen (eine Teilmenge von KI) einsetzte, um dieses Problem zu lösen. Ihr Algorithmus zeigte eine 98% Genauigkeit bei der Erkennung der in der Datenbank behaupteten Kompatibilität sowie fehlender Kompatibilitäten. Dieser Fall unterstreicht das Potenzial von KI, komplexe Probleme im supply chain zu lösen, die über typische statistische Fragestellungen hinausgehen.

Vermorel eröffnet eine Diskussion darüber, wie die Komplexität im supply chain über Standardkataloge oder fertige Lösungen hinausgeht. Er betont, dass die meisten Herausforderungen im supply chain in den Randfällen zu finden sind – Situationen, die von der Norm abweichen. Diese Randfälle werden, so behauptet er, oft von großen Teams manuell bearbeitet und korrigiert, wobei Werkzeuge wie Excel umfangreich eingesetzt werden. Dieser mühsame Prozess, obwohl notwendig, weist auf einen Bereich hin, in dem KI erhebliche Vorteile bieten könnte.

Die Diskussion verlagert sich anschließend auf die Möglichkeiten, die KI bietet, um diese Randfälle zu erkennen und zu bewältigen. Vermorel veranschaulicht, dass KI potenziell einige Probleme im supply chain management, wie Verzögerungen und versehentliche Fehlbestände, mildern könnte. Allerdings könnte diese KI-Lösung nicht den bekannten sprachgesteuerten Systemen wie Siri oder Cortana ähneln. Anstatt einer einzelnen, multifunktionalen KI sieht Vermorel eine Reihe hochspezialisierter Mikro-Anwendungsfälle von KI vor, die dafür entwickelt wurden, spezifische Aspekte des supply chain zu handhaben.

Vermorel kommentiert außerdem die prädiktiven Fähigkeiten von KI im supply chain management. Er stellt fest, dass KI, abgesehen von der Nachfrageprognose, auch eine probabilistische Vorhersage zu Lieferantenproblemen, wie Verzögerungen oder Qualitätsproblemen, bieten kann. Er erwähnt, dass KI Kundenrücksendungen vorhersagen kann, ein besonders entscheidender Faktor im Kontext des Mode-E-Commerce. Diese prädiktiven Fähigkeiten der KI könnten eine entscheidende Rolle bei der Optimierung von supply chain Abläufen spielen und zahlreiche inhärente Unsicherheiten im Prozess mindern.

Später diskutieren Chandler und Vermorel über den Grad an KI-Expertise, der erforderlich ist, um ein solches System zu implementieren. Die Frage lautet, ob Unternehmen KI-Experten benötigen, um die Vorteile der KI zu nutzen

im supply chain management. Vermorel ist der Ansicht, dass die KI-Komponenten des Betriebs ausgelagert werden können, wodurch Unternehmen kein internes Team von KI-Spezialisten unterhalten müssen. Er schlägt vor, dass Organisationen ihre KI-Bedürfnisse an ein Unternehmen wie Lokad delegieren, das auf supply chain Optimierung spezialisiert ist.

Vermorel identifiziert eines der großen Hindernisse bei der Einführung von KI in Unternehmen als mögliche interne Konflikte aufgrund der Disruption des Status quo. Die Angst vor Arbeitsplatzverlusten bei der Implementierung von KI wird ebenfalls thematisiert. Allerdings hält Vermorel diese Angst, wenn auch berechtigt, oft für fehlgeleitet. Er stellt fest, dass KI dazu neigt, langweilige, monotone Aufgaben wie die Verwaltung von Tabellenkalkulationen zu ersetzen, die er als “die schlimmste Art von Arbeit überhaupt” bezeichnet. Anstatt Groll zu erzeugen, kann diese Art von Automatisierung die Mitarbeiter befreien, sodass sie sich auf bedeutungsvollere Aspekte ihrer Aufgaben konzentrieren können.

Trotzdem räumt Vermorel ein, dass die Einführung von KI zu Unstimmigkeiten innerhalb eines Unternehmens führen kann, sich dieser Konflikt jedoch eher auf der Führungsebene und nicht unter den einfachen Angestellten äußern würde. Er veranschaulicht dies anhand eines Beispiels aus dem Einzelhandel. Der Lagerbestand in einem Geschäft erfüllt zwei Funktionen: die Erfüllung der Kundennachfrage und die Attraktivitätssteigerung des Geschäfts. Hier könnte KI den optimalen Lagerbestand ermitteln, der beide Zwecke erfüllt.

Das Problem entsteht, wenn bestimmt werden muss, welche Abteilung innerhalb des Unternehmens die Kosten für jede Funktion des Lagerbestands tragen soll. Supply chain würde naturgemäß die Lagerhaltungskosten zur Erfüllung der Kundennachfrage übernehmen. Allerdings würden die Kosten für Lagerbestände, die darauf abzielen, das Geschäft attraktiv zu machen (was Vermorel mit Marketingausgaben wie TV-Werbung gleichsetzt), logischerweise dem Marketing zugeordnet werden. Diese Zuweisung, angetrieben durch die Präzision der KI, könnte zu erheblichen Streitigkeiten führen, insbesondere wenn beispielsweise Marketingleiter plötzlich mit großen, unerwarteten Ausgaben konfrontiert werden.

Vermorel deutet an, dass es genau diese Art von Problemen sein wird, die die Einführung von KI in Unternehmen verlangsamen wird, und nicht die Angst vor Arbeitsplatzverlusten. Obwohl die Einführung der Software selbst relativ schnell erfolgen könnte, könnten die daraus resultierenden organisatorischen Veränderungen viel länger dauern. Vermorel ist der Ansicht, dass diese Neubewertung von Betriebsnormen und Verantwortlichkeiten, ausgelöst durch die Implementierung von KI, die Hauptherausforderung für Unternehmen in den kommenden Jahren darstellen wird.

Gesamtes Transkript

Kieran Chandler: Heute werden wir über künstliche Intelligenz sprechen, ein Thema, das in den letzten Jahren in der Technologiewelt zu einem Schlagwort geworden ist. Heute wollen wir versuchen, über diesen Hype hinauszublicken und uns stattdessen auf deren Anwendung und das, was sie für die Welt der supply chains bewirken kann, zu konzentrieren. Wieder einmal begrüße ich heute Joannes Vermorel, der mir bei der heutigen Diskussion zur Seite stehen wird. Also Joannes, danke, dass du wieder dabei bist.

Joannes Vermorel: Hallo, Kieran.

Kieran Chandler: Wenn man einigen Experten auf diesem Gebiet zuhört, behaupten sie, dass künstliche Intelligenz bis 2050 die Hälfte aller Arbeitsplätze weltweit ersetzen wird. Betrachtet man allerdings supply chains im Allgemeinen, ist das noch nicht der Fall. Sie werden nach wie vor hauptsächlich mit Excel-Tabellen und auf sehr menschliche Weise verwaltet. Wann glaubst du also, wird künstliche Intelligenz in die supply chain Branche Einzug halten? Von welchem Zeithorizont sprechen wir hier?

Joannes Vermorel: Das ist eine sehr interessante Frage. Ich stimme deiner Aussage zu, dass künstliche Intelligenz ein Schlagwort ist. Und ich glaube sogar, dass man daran erkennen kann, ob jemand Ahnung von künstlicher Intelligenz hat, indem man beobachtet, ob er den Begriff “artificial intelligence” verwendet oder nicht. Die kompetentesten Personen tun dies oft nicht. Aber nur weil es ein Schlagwort ist, heißt das nicht, dass nichts dahintersteckt. Was steckt also dahinter? Wir haben etwa drei Dinge: bessere mathematische Methoden, deutlich mehr Daten und erhöhte Rechenleistung. Man benötigt eine Methode, die all diese Daten mit besseren mathematischen Verfahren in bessere Ergebnisse umwandeln kann, was sich im supply chain in so etwas wie genauere Prognosen übersetzt. Was den Zeitrahmen betrifft, glaube ich, dass es viele spezifische Aspekte in der Welt der supply chains gibt, die angegangen werden müssen, und dass dieser Zeitrahmen recht unklar ist. Es wird buchstäblich Jahrzehnte dauern.

Kieran Chandler: Wenn wir die Bedenken bezüglich der Terminologie beiseitelegen und sagen, dass künstliche Intelligenz im Grunde genommen für einige wirklich fortschrittliche deep learning Techniken steht, was können supply chain Praktiker von diesen fortschrittlichen statistischen Methoden erwarten? Wahrscheinlich bessere Prognosen, aber ist noch mehr zu erwarten?

Joannes Vermorel: Ja, es gibt noch vieles mehr. Eines der Probleme bei der Prognose vor dieser Welle der künstlichen Intelligenz war, dass wir nur wenige praxisnahe Beispiele dafür hatten, wie eine bessere Prognose aussehen könnte. Definitionsgemäß ist eine genauere Prognose eine bessere Prognose, aber ist das der einzige Weg? Künstliche Intelligenz liefert weitere Beispiele, die darauf hindeuten, dass dies nicht so ist. Es ist, als würden wir etwas in Schwarzweiß sehen und plötzlich Farbe erhalten. Es geht nicht nur um eine höhere Auflösung, sondern um eine neue Dimension. Für supply chains glaube ich, dass die größten Vorteile aus Problemen hervorgehen werden, die überhaupt nicht wie statistische Probleme aussehen – und genau da wird künstliche Intelligenz wirklich glänzen.

Kieran Chandler: Also sagst du, dass es Probleme gibt, die auf den ersten Blick überhaupt nicht wie statistische Probleme erscheinen, aber dennoch als eine Art Prognose verwendet werden können, um den Einsatz von KI-Technologie zu ermöglichen. Kannst du das etwas näher erläutern?

Joannes Vermorel: Letztes Jahr hatte ich die Gelegenheit, an einem sehr faszinierenden Problem zu arbeiten, nämlich der Kompatibilität von Autoteilen in der Automobilindustrie.

Kieran Chandler: Im Grunde genommen gibt es Autos, die repariert werden müssen, und für diese Autos benötigt man Teile. Um dir einen Eindruck von dem Problem auf dem europäischen Markt zu geben: Es gibt mehrere Millionen verschiedener Teile. Es ist fast verrückt, wenn man bedenkt, dass es nur 300 Millionen Europäer gibt. Außerdem gibt es über hunderttausend unterschiedliche Fahrzeuge. Es gibt eine ganze Branche, wenn auch eine kleine, die in einem Punkt konkurriert: der Erstellung einer Datenbank über die Kompatibilität zwischen Autos und Teilen. All das tun diese Unternehmen ist, eine Liste zu erstellen, welche Teile mit welchem Auto kompatibel sind.

Joannes Vermorel: In der Tat bestehen diese Datenbanken aus Millionen von Zeilen und werden vollständig manuell gepflegt, wobei buchstäblich Hunderte von Menschen ihr Leben dafür aufopfern, diese eine Datenbank zu unterhalten. Mein Team bei Lokad, das sich auf maschinelles Lernen spezialisiert hat – nicht auf künstliche Intelligenz an sich –, gelang es, einen Algorithmus zu entwickeln. Wir haben diesen Algorithmus in einer realen Umgebung getestet, und er erreichte eine 98% Genauigkeit bei der Erkennung der in der Datenbank behaupteten Kompatibilität. Der Algorithmus zeigte auch eine 98%ige Genauigkeit bei der Erkennung fehlender Kompatibilitäten, sodass es einen Teil geben könnte, der tatsächlich an dein Auto montiert werden kann, von dem du oder sonst jemand noch nichts weiß, weil es ziemlich schwierig ist, so viele Autos und Teile im Überblick zu behalten.

Kieran Chandler: Künstliche Intelligenz einzusetzen, um herauszufinden, ob ein Autoteil mit meinem Fahrzeug kompatibel ist, scheint etwas übertrieben zu sein. Ich hätte gedacht, dass ein einfacher Katalog dafür ausreicht oder eine handelsübliche Basiskomponente. Aber was ist mit supply chains im Allgemeinen? Was kann künstliche Intelligenz für sie leisten?

Joannes Vermorel: Der Punkt, den ich verdeutlichen möchte, ist, dass die meisten Herausforderungen in supply chains tatsächlich in den Randfällen liegen. Das sind Situationen, die normalerweise funktionieren, aber dann gibt es Ausnahmen. Diese Ausnahmen lösen sich nicht von selbst. Es bedarf Menschen – und zwar vieler –, um diese Randfälle zu lösen. Am Ende hat man ganze Heere von Menschen, die im Wesentlichen Excel-Tabellen anpassen, denn der Weg, wie man merkt, dass so viele Menschen mit diesen Randfällen in supply chains zu tun haben, ist die enorme Anzahl von Personen, die Excel-Tabellen bearbeiten. Sie verschwenden nicht ihre Zeit. Sie befassen sich mit diesen Randfällen, die nicht wirklich in das Haupt-ERP-System passen. Sie müssen auf Excel zurückgreifen, um diese zu verwalten. Technisch gesehen ist dies eine Situation, die höchstwahrscheinlich durch künstliche Intelligenz gelöst werden kann.

Kieran Chandler: Dass KI diese Randfälle erkennt, klingt also nach einer großartigen Idee. Das würde sicherlich einen langen Weg gehen, um einige der Probleme zu lösen, die wir hier bei Lokad beobachten – wie etwa Verzögerungen und versehentliche Lagerbestandsausfälle. Aber wie würde das in der Praxis tatsächlich aussehen? Würde es etwa so sein wie Siri oder Cortana, eine Art Stimme im Ohr des Bedieners, die ihm sagt, was zu tun ist und wann?

Joannes Vermorel: Die Vorstellung, dass Ihr Telefon plötzlich sagt: “Schau nach links, du hast ein Problem”, ist reine Science-Fiction. Die aktuellen KI-Systeme, wie Cortana und Siri, sind vielmehr eine Ansammlung hochspezialisierter Mikro-Anwendungsfälle. Zum Beispiel haben die Entwickler von Cortana und Siri einen speziellen Anwendungsfall für die Pizza-Bestellung. Sie schreiben eine Menge Code, um es ausreichend flexibel zu machen, sodass es fast überall auf der Welt funktioniert, um eine Pizza zu bestellen.

Kieran Chandler: Eine erfolgreiche Pizzalieferung irgendwo auf der Welt zu realisieren, ist tatsächlich eine ziemliche Herausforderung. Es dreht sich alles um sehr spezifische Anwendungsfälle. Diese KI-Assistenten sind nichts anderes als eine Sammlung gut integrierter Anwendungsfälle. Nun, im supply chain wird es ziemlich ähnlich sein. Sie werden Prognosen für alle Bereiche erhalten, in denen Unsicherheit herrscht. Die zukünftige Nachfrage ist nicht das Einzige, was in Ihrem supply chain ungewiss ist – es gibt viele andere Faktoren wie zum Beispiel Durchlaufzeiten. Ihre Lieferanten sind nicht vollkommen zuverlässig. Es ist nicht klar, wie zuverlässig oder unzuverlässig sie sind.

Joannes Vermorel: Absolut, und hier kann KI helfen. Künstliche Intelligenz kann eine sehr präzise probabilistische Vorhersage der Probleme liefern, die Ihre Lieferanten verursachen könnten. Und es geht nicht nur um Verzögerungen. Vielleicht liefert Ihr Lieferant die bestellten Waren pünktlich, aber wenn sie in Ihrem Lager eintreffen und Sie diese überprüfen, stellen Sie möglicherweise fest, dass es ein Qualitätsproblem gibt.

Es geht also nicht nur um Verzögerungen, sondern auch um die Qualität dessen, was Sie erhalten haben. Wenn Sie beispielsweise eine Fashion-e-commerce-Plattform betreiben, verkaufen Sie Produkte an Ihre Kunden und manchmal – weil es Mode ist – mögen diese die Produkte einfach nicht. Also geben sie diese an Sie zurück. Es ist äußerst hilfreich, im Voraus zu wissen, wer und wie viele Artikel zurückgegeben werden, um Ihren supply chain zu optimieren.

Es gibt eine Menge Bereiche, in denen Sie mit Unsicherheit konfrontiert sind, vielleicht nicht so gravierend wie die Vorhersage der zukünftigen Nachfrage, aber dennoch entscheidend, um sie anzugehen. Ich glaube, dass diese auf KI basierenden Zukunftstechnologien einen erheblichen Beitrag zum Supply Chain Management leisten werden.

Kieran Chandler: Wenden wir uns nun der menschlichen Überwachung zu. Diese KI-Technologien werden nicht von selbst funktionieren. Wie viel KI-Expertise wird tatsächlich benötigt, um ein solches Projekt zum Laufen zu bringen? Große Unternehmen wie Google haben möglicherweise die Ressourcen, um eine Vielzahl von KI-Experten zu beschäftigen, aber was ist mit dem Rest von uns? Beispielsweise sind Fashion-e-commerce-Unternehmen technologisch oft den Trends voraus, verfügen aber möglicherweise nicht über eigene KI-Experten. Wie sehen Sie das in der realen Welt?

Joannes Vermorel: Zunächst einmal haben die allerbesten Fashion-e-commerce-Unternehmen, die ich kenne, tatsächlich KI-Experten in ihren Reihen – auch wenn das ein Ausnahmefall ist. Um Ihre Frage zu beantworten: Ich glaube, dass Unternehmen mit supply chain oder Unternehmen, die eine supply chain zu verwalten haben, nicht unbedingt KI-Experten benötigen. Sie brauchen etwas anderes, worauf ich später noch zurückkommen werde.

Die KI-Komponente kann vollständig an ein Unternehmen wie Lokad ausgelagert werden. Wenn Sie Bedenken bezüglich KI haben, können Sie ganz einfach Kunde von Lokad werden und Ihre KI-Komponente an uns outsourcen. Das ist eine Strategie, die sich sehr gut skalieren lässt.

Allerdings wollen wir nun die Elemente ansprechen, die nicht skaliert werden können – und hier kommt der Timing-Aspekt ins Spiel. Ich glaube, dass das Problem mit KI darin besteht, dass sie Unternehmen dazu zwingt, rationaler zu werden. Sie zwingt sie auch, Unklarheiten auszuräumen und den Status quo in Frage zu stellen. Genau das bespreche ich in meinem Buch über die Quantitative Supply Chain. Wenn Sie etwas optimieren wollen, müssen Sie zunächst eine Messung etablieren. Das ist herausfordernd, weil es den Status quo direkt infrage stellt. Das, so glaube ich, ist die eigentliche Herausforderung der KI-Technologie im supply chain.

Kieran Chandler: Unternehmen stehen vor der Herausforderung, den Status quo zu ändern, um KI zu verbessern und zu nutzen. Dies kann potenziell zu internen Streitigkeiten führen. Es ist interessant zu beobachten, wie sich das entwickelt. Es scheint, als gäbe es Unternehmen, die KI als realistische Perspektive ansehen könnten. Dennoch gibt es auch Mitgefühl für jene Mitarbeiter, deren Jobs möglicherweise von diesen intelligenten Systemen ersetzt werden. Wie lange wird es noch dauern, bis wir einen KI-Moderator hier im TV haben? Ganz ohne Scherz – besteht die Befürchtung, dass dies die Einführung der Technologie blockieren oder verlangsamen könnte? Hier bei Lokad haben wir zahlreiche Kunden. Falls wir ein neues künstlich intelligentes Modell einführen, wie stellen Sie sich die Zusammenarbeit mit Ihren Kunden vor?

Joannes Vermorel: Das ist ein guter Punkt. Die Angst ist berechtigt, aber die Erwartungen der Menschen, was passieren wird, sind meist falsch. Wenn man die Presse liest, würde man denken, dass all diese Jobs ersetzt werden und die Leute sich dagegen wehren. Aber im supply chain ist das nicht der Fall. Warum? Weil die Jobs, die ersetzt werden, ganz ehrlich, nicht sonderlich attraktiv sind. Stellen Sie sich vor, Sie würden acht Stunden am Tag damit verbringen, Excel-Tabellen zu bearbeiten. Das ist kein ansprechender Job. Die Menschen sind in der Regel sehr froh, wenn diese Aufgabe automatisiert werden kann. Dann können sie eine lohnendere Variante ihrer Tätigkeit ausüben, die mehr Sinn macht und nicht so viel mühsame Arbeit mit Excel beinhaltet. Aber das bedeutet nicht, dass es keine Konflikte geben wird. Diese Konflikte werden jedoch auf einer völlig anderen Ebene stattfinden – auf der Unternehmensebene.

Zum Beispiel betrachten Sie ein Einzelhandelsnetzwerk mit verschiedenen Filialen. Die Frage ist – was ist mit dem Lagerbestand in jeder Filiale? Auf den ersten Blick würde man denken, dass alle Produkte in den Filialen ausschließlich dazu existieren, an Kunden verkauft zu werden. Aber das ist nicht ganz richtig. Der Lagerbestand innerhalb einer Filiale erfüllt zwei Zwecke. Der eine besteht darin, dass ein Kunde in die Filiale kommt, findet, was er sucht, und einen Kauf tätigt. Der andere Zweck ist, die Filiale so attraktiv zu gestalten, dass der Kunde angeregt wird, etwas zu kaufen. Somit übernimmt der Lagerbestand eine doppelte Rolle.

Kieran Chandler: Das Thema, das wir heute diskutieren, ist der Grund, warum Filialen so voll mit Waren sind. Es scheint, als hätten sie Angst, halb leer zu erscheinen – ganz wie ein Laden aus der UdSSR. Das ist kein wünschenswertes Bild für Kunden.

Joannes Vermorel: Absolut, die Leute im Einzelhandel wissen das. Im Kern dreht sich beim Merchandising genau darum. Schauen wir uns nun an, was künstliche Intelligenz zu bieten hat. KI ist so präzise, dass sie Antworten liefern kann, von denen Sie nicht einmal wussten, dass Sie sie brauchten. Zunächst kann sie Ihnen genau sagen, wie viele Einheiten Lagerbestand Sie benötigen, um Ihre Kunden zu bedienen. Zweitens kann sie berechnen, wie viel Lagerbestand erforderlich ist, damit Ihre Filiale für Kunden visuell ansprechend wirkt.

Kieran Chandler: Wenn wir das also auf Unternehmensebene betrachten, wer wird für diese beiden Arten von Lagerbeständen aufkommen?

Joannes Vermorel: Nun, das supply chain bezahlt selbstverständlich den Lagerbestand, der für die Kunden benötigt wird. Aber was den zusätzlichen Lagerbestand betrifft, der lediglich dazu dient, die Filiale ansprechend wirken zu lassen, handelt es sich im Grunde um eine Marketingausgabe. Es ist vergleichbar mit der Bezahlung einer TV-Werbung – sie verkauft nicht direkt Produkte, sondern weckt Interesse. Wenn Sie also KI in Ihr retail chain integrieren, beginnt die Grenze zwischen supply chain und Marketing zu verschwimmen. Manche Menschen könnten das als Herausforderung empfinden, insbesondere der Marketingdirektor, der plötzlich einen großen Teil des Budgets für Lagerbestand zugewiesen sieht.

Kieran Chandler: Es scheint, als könnte dieser Wandel zu internen Konflikten innerhalb des Unternehmens führen.

Joannes Vermorel: Ja, es könnte Widerstand geben, insbesondere von denen, die mit ihren bisherigen Budgetierungsvereinbarungen zufrieden waren. Sie könnten sagen: “Nein, supply chain-Leute, behaltet das. Ich war völlig zufrieden damit, nur TV-Werbung als Teil meines Budgets zu haben.” Aber nun ändert sich die Wahrnehmung. Lagerbestand wird als Teil des Marketings betrachtet. Das ist ein tiefgreifender Wandel, und während die Implementierung von KI-Software schnell erfolgen kann, kann das Verstehen und Anpassen an diese Veränderungen Jahrzehnte in Anspruch nehmen.

Kieran Chandler: Ich verstehe, das ist eine aufschlussreiche Perspektive. Nun, ich fürchte, das war alles, wofür wir heute Zeit hatten. Danke für diese interessante Diskussion, Joannes. Es war sehr vielschichtig – wir haben mit künstlicher Intelligenz angefangen und endeten damit, über Filialen in der UdSSR zu sprechen. So läuft das eben. Vielen Dank für Ihre Zeit, Joannes.

Joannes Vermorel: Danke, Kieran.

Kieran Chandler: Ich hoffe, dass unsere Diskussion dazu beigetragen hat, einige der häufigsten Missverständnisse über künstliche Intelligenz auszuräumen. Vielen Dank fürs Einschalten und für das großartige Feedback, das wir bisher zu unseren Videos erhalten haben. Wir sind sehr bald wieder zurück, aber bis dahin, auf Wiedersehen.