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 von Kompatibilitätsproblemen bei Autoteilen.
00:06:33 Die Rolle von KI bei der Bewältigung von Randfällen in der Supply Chain.
00:08:01 Das Potenzial von KI zur Erkennung von Systemrandfällen.
00:09:59 Anwendung von KI auf die Prognose von Supply Chains.
00:11:42 Notwendigkeit menschlicher Aufsicht bei der Implementierung von KI.
00:14:27 Widerstand gegen die Einführung von KI aufgrund von Jobängsten.
00:16:00 Die doppelte Rolle des Inventars im Einzelhandel.
00:17:33 KI zur Bestimmung genauer Inventarbedarfe.
00:18:39 Auswirkungen von KI auf die Rollen in der Supply Chain und im Marketing.
00:19:32 Herausforderungen bei der Implementierung von KI.
Zusammenfassung
Die Diskussion konzentriert sich auf die Anwendung von KI im Supply Chain Management. Vermorel, der Gründer von Lokad, betont das Potenzial von KI, komplexe Herausforderungen anzugehen, die über reine statistische Probleme hinausgehen, wie z.B. die Kompatibilität von Autoteilen, und Randfälle zu bewältigen, die traditionell manuell behandelt werden. Trotz der vorherrschenden Angst vor Arbeitsplatzverlusten argumentiert er, dass KI oft mühsame Aufgaben beseitigt und damit die Arbeitsqualität verbessert. Er räumt jedoch ein, dass die disruptive Natur von KI interne Konflikte hervorrufen kann, wie er an einem Beispiel zeigt, bei dem die KI-gesteuerte Optimierung des Lagerbestands Auswirkungen auf Marketing- und Supply-Chain-Verantwortlichkeiten hat. Vermorel schlägt vor, dass solche organisatorischen Veränderungen, anstatt die Bereitstellung von Software, sein könnten, was die Einführung von KI in Unternehmen verlangsamt und auf eine signifikante Verschiebung der Geschäftsnormen im Laufe der Zeit hinweist.
Erweiterte Zusammenfassung
Die Diskussion dreht sich um das Thema Künstliche Intelligenz (KI) im Supply Chain Management und hebt potenzielle Vorteile und Auswirkungen hervor. Kieran Chandler, der Moderator, eröffnet das Gespräch mit der Feststellung, dass KI ein aktuelles Schlagwort in der Tech-Branche ist. Dies veranlasst den Gast Joannes Vermorel, über den Zeitpunkt der Integration von KI in die Supply Chain-Operationen nachzudenken.
Vermorel stimmt Chandlers Bemerkung über den Schlagwortstatus von KI zu und schlägt vor, dass echte Experten auf dem Gebiet selten den Begriff “Künstliche Intelligenz” verwenden. Er betont, dass trotz des Schlagwortcharakters von KI bedeutende Entwicklungen unter dem KI-Dach stattfinden. Er nennt drei Schlüsselkomponenten: verbesserte mathematische Methoden, eine zunehmende Menge an zugänglichen Daten und eine steigende Rechenleistung.
Vermorel stellt die These auf, dass diese Fortschritte zu genaueren Vorhersagen im Supply Chain Management führen können. Er besteht jedoch darauf, dass der Zeitplan für die vollständige Integration unklar ist und wahrscheinlich Jahrzehnte dauern wird, aufgrund einzigartiger Herausforderungen in der Supply Chain-Branche.
Als Chandler um Klarstellung zu den potenziellen Vorteilen bittet, die anspruchsvolle statistische Methoden oder Deep Learning-Techniken für das Supply Chain Management jenseits verbesserter Prognosen bringen können, argumentiert Vermorel, dass die Auswirkungen von KI vielschichtig sind. Er erklärt, dass die KI-Revolution dem Erleben von Farbe nach dem Kennenlernen von Schwarz und Weiß ähnelt; es geht nicht nur um eine höhere Auflösung, sondern auch um das Enthüllen neuer Perspektiven und Dimensionen.
Er betont weiterhin, dass die bedeutendsten Vorteile von KI für das Supply Chain Management möglicherweise aus Bereichen hervorgehen, die anfangs nicht als statistische Probleme erscheinen. Diese versteckten Möglichkeiten für die Anwendung von KI, so Vermorel, sind der Ort, an dem der wahre Wert von KI zum Vorschein kommt.
Um seinen Standpunkt zu veranschaulichen, bietet Vermorel ein Beispiel für eine nicht offensichtliche Anwendung von KI in der Supply Chain: die Kompatibilität von Autoteilen. Er erläutert die Schwierigkeit, eine Datenbank mit Autoteil-Kompatibilitäten zu pflegen, eine enorme Aufgabe angesichts der Millionen einzigartiger Teile und Hunderttausender einzigartiger Fahrzeuge allein in Europa.
Vermorel zeigt, wie sein Team bei Lokad maschinelles Lernen (eine Teilmenge von KI) eingesetzt hat, um dieses Problem zu lösen. Ihr Algorithmus zeigte eine Genauigkeit von 98% bei der Identifizierung falscher Kompatibilitätsansprüche in der Datenbank sowie fehlender Kompatibilitäten. Dieser Fall unterstreicht das Potenzial von KI, komplexe Probleme in der Supply Chain zu lösen, die über typische statistische Probleme hinausgehen.
Vermorel eröffnet eine Diskussion darüber, wie die Komplexität der Supply Chain über Standardkataloge oder vorgefertigte Lösungen hinausgeht. Er betont, dass die meisten Herausforderungen in der Supply Chain in den Randfällen zu finden sind - Situationen, die von der Norm abweichen. Diese Randfälle, so behauptet er, werden oft von großen Teams von Menschen bearbeitet, die Anomalien manuell modifizieren und korrigieren, unter umfangreichem Einsatz von Tools wie Excel. Dieser mühsame Prozess, obwohl notwendig, zeigt einen Bereich auf, in dem KI erhebliche Vorteile bieten könnte.
Die Diskussion wechselt dann zu den Möglichkeiten, die KI bei der Erkennung und Bewältigung dieser Randfälle bietet. Vermorel verdeutlicht, dass KI möglicherweise einige Probleme im Supply Chain Management, einschließlich Verzögerungen und unbeabsichtigten Lagerbestandsausfällen, mildern könnte. Diese KI-Lösung ähnelt jedoch möglicherweise nicht vertrauten sprachgesteuerten Systemen wie Siri oder Cortana. Anstatt einer einzigen, multifunktionalen KI sieht Vermorel eine Reihe hochspezialisierter Mikro-Anwendungsfälle von KI vor, die spezifische Aspekte der Supply Chain bearbeiten sollen.
Vermorel äußert sich auch zu den Vorhersagefähigkeiten von KI im Supply Chain Management. Er stellt fest, dass KI neben der Nachfrageprognose auch eine probabilistische Vorhersage über Lieferantenprobleme wie Verzögerungen oder Qualitätsprobleme bieten kann. Er erwähnt, dass KI Kundenrücksendungen vorhersagen kann, ein besonders wichtiger Faktor im Kontext des Mode-E-Commerce. Diese Vorhersagefähigkeiten von KI könnten eine wichtige Rolle bei der Optimierung von Supply Chain-Operationen spielen und zahlreiche Unsicherheiten im Prozess mildern.
Später diskutieren Chandler und Vermorel das erforderliche Maß an KI-Expertise, um ein solches System umzusetzen. Die Frage ist, ob Unternehmen KI-Experten benötigen, um die Vorteile von KI zu nutzen
im Supply Chain Management. Vermorel ist der Ansicht, dass die KI-Elemente des Betriebs ausgelagert werden können, sodass Unternehmen kein internes Team von KI-Spezialisten unterhalten müssen. Er schlägt vor, dass Organisationen ihre KI-Bedürfnisse an ein Unternehmen wie Lokad delegieren können, das auf Supply Chain-Optimierung spezialisiert ist.
Vermorel identifiziert eine der größten Hürden bei der Einführung von KI in Unternehmen als potenzielle interne Konflikte aufgrund der Störung des Status quo. Auch die Angst vor Arbeitsplatzverlusten durch die Implementierung von KI wird in der Diskussion angesprochen. Vermorel betrachtet diese Angst jedoch als oft fehlgeleitet, obwohl sie gültig ist. Er stellt fest, dass KI dazu neigt, mühsame, einfache Aufgaben wie das Verwalten von Tabellenkalkulationen zu ersetzen, die er als “die schlimmste Art von Arbeit überhaupt” bezeichnet. Anstatt Ressentiments zu erzeugen, kann diese Art von Automatisierung Mitarbeiter befreien, sich auf bedeutungsvollere Aspekte ihrer Aufgaben zu konzentrieren.
Dennoch räumt Vermorel ein, dass die Einführung von KI zu Konflikten innerhalb eines Unternehmens führen kann, aber dieser Konflikt würde sich auf Unternehmensebene manifestieren und nicht unter den Mitarbeitern der unteren Hierarchieebenen. Er veranschaulicht dies anhand eines Einzelhandelsbeispiels. Der Lagerbestand in einem Einzelhandelsgeschäft erfüllt zwei Funktionen: die Erfüllung der Kundennachfrage und die Attraktivität des Geschäfts für Kunden. Hier könnte KI den optimalen Lagerbestand bestimmen, der beide Zwecke erfüllt.
Das Problem entsteht, wenn festgelegt werden muss, welche Abteilung im Unternehmen die Kosten für jede Funktion des Lagerbestands tragen soll. Die Supply Chain würde natürlich die Lagerhaltungskosten zur Erfüllung der Kundennachfrage abdecken. Die Kosten für den Lagerbestand, der das Geschäft attraktiv machen soll (was Vermorel mit Marketingausgaben wie TV-Werbung gleichsetzt), würden jedoch logischerweise dem Marketing zugeordnet werden. Diese Zuordnung, die von der Präzision der KI gesteuert wird, könnte zu erheblichen Streitigkeiten führen, insbesondere wenn beispielsweise Marketingdirektoren plötzlich mit unerwartet hohen Ausgaben belastet werden.
Vermorel schlägt vor, dass es genau diese Art von Problemen sein wird, die die Einführung von KI in Unternehmen verlangsamen, und nicht die Angst vor Arbeitsplatzverlusten. Obwohl die Bereitstellung der Software selbst relativ schnell erfolgen könnte, könnten die organisatorischen Veränderungen, die sie auslöst, viel länger dauern. Vermorel glaubt, dass diese Neubewertung von Betriebsnormen und Verantwortlichkeiten, die durch die Implementierung von KI veranlasst wird, die Hauptherausforderung für Unternehmen in den kommenden Jahren darstellen wird.
Vollständiges Transkript
Kieran Chandler: Heute sprechen wir über künstliche Intelligenz, ein Thema, das in den letzten Jahren im Technologiebereich in aller Munde war. Heute wollen wir versuchen, über den Hype hinauszugehen und uns stattdessen auf die Anwendung und das Potenzial für die Welt der Supply Chains zu konzentrieren. Heute wieder dabei ist Joannes Vermorel, der mir bei der heutigen Diskussion helfen wird. Also Joannes, vielen Dank, dass du wieder dabei bist.
Joannes Vermorel: Hallo, Kieran.
Kieran Chandler: Wenn wir einigen Experten auf dem Gebiet glauben, wird künstliche Intelligenz bis 2050 die Hälfte der Arbeitsplätze auf der Welt ersetzen. Wenn wir uns jedoch die Supply Chains im Allgemeinen ansehen, sind sie noch nicht ganz so weit. Sie werden immer noch sehr stark von Excel-Tabellen verwaltet und auf eine sehr menschliche Art und Weise betrieben. Wann glauben Sie, wird künstliche Intelligenz in der Supply Chain-Branche Einzug halten? In welchem Zeitrahmen bewegen wir uns hier?
Joannes Vermorel: Das ist eine sehr interessante Frage. Ich stimme Ihrer Aussage zu, dass künstliche Intelligenz ein Buzzword ist. Und ich glaube sogar, dass eine Möglichkeit, zu erkennen, ob jemand weiß, wovon er spricht, wenn er von künstlicher Intelligenz spricht, darin besteht, ob er den Begriff “künstliche Intelligenz” verwendet oder nicht. Die kompetentesten Leute tun dies oft nicht. Aber nur weil es ein Buzzword ist, bedeutet das nicht, dass nichts dahintersteckt. Was haben wir also darunter? Wir haben etwa drei Dinge: bessere mathematische Methoden, viel mehr Daten und Rechenleistung. Sie benötigen eine Methode, die all diese Daten mit besseren mathematischen Methoden in bessere Ergebnisse umwandeln kann, was in der Supply Chain etwas wie genauere Prognosen bedeutet. In Bezug auf den Zeitpunkt glaube ich, dass es viele spezifische Aspekte der Supply Chain-Welt gibt, die angegangen werden müssen, und der Zeitpunkt ist ziemlich unklar. Es wird viel Zeit brauchen, buchstäblich Jahrzehnte.
Kieran Chandler: Wenn wir die Bedenken hinsichtlich der Terminologie beiseite lassen und sagen, dass künstliche Intelligenz im Wesentlichen auf fortgeschrittenen Deep-Learning-Techniken beruht, was können Supply Chain-Experten von diesen fortschrittlichen statistischen Methoden erwarten? Sie können wahrscheinlich bessere Prognosen erwarten, aber gibt es noch etwas mehr, was sie erwarten können?
Joannes Vermorel: Ja, es gibt noch viel mehr. Eines der Probleme bei der Prognosestellung vor dieser Welle der künstlichen Intelligenz war, dass wir nicht viele reale Beispiele dafür hatten, wie eine bessere Prognose aussehen könnte. Eine genauere Prognose ist per Definition eine bessere Prognose, aber ist das der einzige Weg? Künstliche Intelligenz liefert andere Beispiele, die darauf hindeuten, dass dem nicht so ist. Es ist ein bisschen so, als ob wir etwas in Schwarz-Weiß betrachtet hätten und jetzt die Farbe bekommen. Es ist nicht nur eine bessere Auflösung, es ist eine weitere Dimension. Bei Supply Chains glaube ich, dass die größten Vorteile von Problemen kommen werden, die überhaupt nicht wie statistische Probleme aussehen, und genau da wird künstliche Intelligenz wirklich glänzen.
Kieran Chandler: Also, was Sie sagen, ist, dass es Probleme gibt, die auf den ersten Blick überhaupt nicht wie statistische Probleme aussehen, aber tatsächlich als eine Art Prognose verwendet werden können, um den Einsatz von KI-Technologie zu ermöglichen. Könnten Sie das noch etwas genauer erläutern?
Joannes Vermorel: Im letzten 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 haben Sie Autos, die repariert werden müssen, und für diese Autos benötigen Sie Teile. Um Ihnen eine Vorstellung von dem Problem auf dem europäischen Markt zu geben, gibt es mehrere Millionen verschiedene Teile. Es ist ein bisschen verrückt, wenn man bedenkt, dass es nur 300 Millionen Europäer gibt. Darüber hinaus gibt es über hunderttausend verschiedene Fahrzeuge. Es gibt eine ganze Branche, wenn auch klein, die sich auf eine Sache konzentriert: die Erstellung einer Datenbank zur Kompatibilität zwischen Autos und Teilen. All diese Unternehmen erstellen nur eine Liste, welches Auto mit welchem Teil kompatibel ist.
Joannes Vermorel: Tatsächlich bestehen diese Datenbanken aus Millionen von Zeilen und werden vollständig von Hand gepflegt, wobei buchstäblich Hunderte von Menschen ihr Leben damit verbringen, diese eine Datenbank zu pflegen. Mein Team bei Lokad, das sich auf maschinelles Lernen spezialisiert hat, nicht unbedingt auf künstliche Intelligenz, konnte einen Algorithmus entwickeln. Wir haben diesen Algorithmus in einer realen Umgebung getestet und er erreichte eine Genauigkeit von 98% bei der Erkennung der Kompatibilität, die von der Datenbank angegeben wird. Der Algorithmus zeigte auch eine Genauigkeit von 98% bei der Erkennung fehlender Kompatibilitäten, sodass es ein Teil geben könnte, das tatsächlich auf Ihr Auto montiert werden kann, aber Sie oder sonst jemand weiß es noch nicht, weil es ziemlich schwierig ist, so viele Autos und Teile im Blick zu behalten.
Kieran Chandler: Es scheint ein wenig übertrieben, künstliche Intelligenz einzusetzen, um herauszufinden, ob ein Autoteil mit meinem Fahrzeug kompatibel ist. Ich hätte gedacht, dass ein einfacher Katalog dafür ausreichen würde oder eine vorgefertigte Grundlösung. Aber was ist mit Supply Chains im Allgemeinen? Was kann künstliche Intelligenz für sie tun?
Joannes Vermorel: Der Punkt, den ich verdeutlichen möchte, ist, dass die meisten Herausforderungen in Supply Chains tatsächlich in den Randfällen liegen. Dies sind Situationen, die normalerweise funktionieren, aber dann gibt es Ausnahmen. Diese Ausnahmen lösen sich nicht von selbst. Es braucht Menschen, und viele von ihnen, um diese Randfälle zu lösen. Am Ende haben Sie ganze Armeen von Menschen, die im Wesentlichen Excel-Tabellen anpassen, weil Sie bemerken, dass es so viele Menschen gibt, die sich mit diesen Randfällen in Supply Chains befassen, anhand der großen Anzahl von Menschen, die Excel-Tabellen bearbeiten. Sie verschwenden ihre Zeit nicht. 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, wann immer Sie Menschen sehen, die manuell mit einer Vielzahl von Randfällen umgehen müssen, die in der Regel Microsoft Excel beinhalten, handelt es sich um eine Situation, die höchstwahrscheinlich von künstlicher Intelligenz gelöst werden kann.
Kieran Chandler: Es klingt also wie eine großartige Idee, dass KI diese Randfälle erkennt. Es würde sicherlich dazu beitragen, einige der Probleme zu lösen, die wir hier bei Lokad sehen, wie zum Beispiel Verzögerungen und versehentliche Lagerbestandsausfälle. Aber wie würde das in der Praxis aussehen? Wäre es so etwas wie Siri oder Cortana, wie eine Stimme im Ohr des Bedieners, die ihnen sagt, was sie tun sollen und wann sie es tun sollen?
Joannes Vermorel: Die Vorstellung, dass Ihr Telefon plötzlich sagt: “Schau nach links, du hast ein Problem”, ist reine Science-Fiction. Diese aktuellen KI-Systeme wie Cortana und Siri sind eher eine Reihe von stark spezialisierten Mikro-Anwendungsfällen. Zum Beispiel haben diejenigen, die Cortana und Siri implementiert haben, einen speziellen Anwendungsfall für die Bestellung einer Pizza. Sie haben viel Code entwickelt, um es ausreichend flexibel zu machen, damit es praktisch überall auf der Welt funktioniert, damit Sie eine Pizza bestellen können.
Kieran Chandler: Eine erfolgreiche Pizza-Lieferung überall auf der Welt zu erreichen, ist tatsächlich eine große Herausforderung. Es geht um sehr spezifische Anwendungsfälle. Diese KI-Assistenten sind nichts anderes als eine Sammlung von gut integrierten Anwendungsfällen. Für die Lieferkette wird es im Wesentlichen dasselbe sein. Sie erhalten Prognosen für alle Bereiche, in denen Unsicherheit besteht. Zukünftige Nachfrage ist nicht das einzige, was in Ihrer Lieferkette unsicher ist. Es gibt viele andere Dinge wie zum Beispiel Durchlaufzeiten. Ihre Lieferanten sind nicht perfekt zuverlässig. Es ist nicht klar, wie zuverlässig oder unzuverlässig sie sind.
Joannes Vermorel: Absolut, und hier kann KI helfen. Künstliche Intelligenz kann eine sehr genaue probabilistische Prognose 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 ankommen und Sie sie inspizieren, stellen Sie möglicherweise ein Qualitätsproblem fest.
Es geht also nicht nur um Verzögerungen, sondern auch um die Qualität dessen, was Sie erhalten haben. Wenn Sie zum Beispiel eine Mode-E-Commerce-Plattform betreiben, verkaufen Sie Produkte an Ihre Kunden und manchmal gefällt ihnen das Produkt einfach nicht, weil es Mode ist. Also schicken sie diese Produkte an Sie zurück. Es ist äußerst nützlich zu wissen, wer und wie viele Personen Artikel an Sie zurücksenden werden, um Ihre Lieferkette zu optimieren.
Es gibt viele Bereiche, in denen Unsicherheit besteht, vielleicht nicht so signifikant wie die Vorhersage der zukünftigen Nachfrage, aber dennoch entscheidend zu berücksichtigen. Ich glaube, dass diese zukünftigen Technologien auf Basis von KI einen erheblichen Beitrag zum Supply Chain Management leisten werden.
Kieran Chandler: Kommen wir zur menschlichen Überwachung. Diese KI-Technologien werden nicht in der Lage sein, eigenständig zu arbeiten. 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 große Anzahl von KI-Experten einzustellen, aber wie sieht es mit dem Rest von uns aus? Zum Beispiel sind Mode-E-Commerce-Unternehmen in Bezug auf Technologie oft recht fortschrittlich, aber sie haben möglicherweise keine KI-Experten in ihren Reihen. Wie sehen Sie, dass dies in der realen Welt funktioniert?
Joannes Vermorel: Zunächst einmal haben die besten Mode-E-Commerce-Unternehmen, die ich kenne, tatsächlich KI-Experten in ihren Reihen, obwohl das eine Ausnahme ist. Um Ihre Frage zu beantworten, glaube ich, dass Lieferkettenunternehmen oder Unternehmen, die eine Lieferkette verwalten müssen, nicht unbedingt KI-Experten benötigen. Sie brauchen etwas anderes, und darauf komme ich später zurück.
Die KI-Komponente kann vollständig an ein Unternehmen wie Lokad ausgelagert werden. Wenn Sie Bedenken hinsichtlich KI haben, können Sie einfach Kunde von Lokad werden und Ihre KI-Komponente an uns auslagern. Das ist eine Strategie, die gut skalierbar ist.
Allerdings sollten wir uns mit den Elementen befassen, die nicht skalieren, und hier kommt der Aspekt der Zeit ins Spiel. Ich glaube, das Problem mit KI ist, dass es Unternehmen dazu zwingt, rationaler zu werden. Es zwingt sie auch dazu, Unklarheiten zu beseitigen und den Status quo in Frage zu stellen. Genau das diskutiere ich in meinem Buch über das quantitative Lieferkettenmanifest. Wenn Sie etwas optimieren möchten, müssen Sie zuerst eine Messung etablieren. Das ist herausfordernd, weil es den Status quo direkt in Frage stellt. Das ist meiner Meinung nach die eigentliche Herausforderung bei der KI-Technologie in der Lieferkette.
Kieran Chandler: Unternehmen stehen vor der Herausforderung, den Status quo zu verändern, um KI zu verbessern und zu nutzen. Dies kann potenziell zu internen Konflikten führen. Es ist interessant zu untersuchen, wie sich dies auswirkt. Es scheint Unternehmen zu geben, die KI als realistische Möglichkeit betrachten könnten. Doch es gibt auch Verständnis für die Mitarbeiter, deren Arbeitsplätze durch diese intelligenten Systeme ersetzt werden könnten. Wie lange wird es dauern, bis wir hier im Fernsehen einen KI-Moderator haben? Spaß beiseite, besteht die Sorge, dass dies die Einführung von Technologie blockieren oder verlangsamen könnte? Hier bei Lokad haben wir viele Kunden. Wenn wir ein neues künstlich intelligentes Modell einführen, wie sehen Sie die Zusammenarbeit mit Ihren Kunden?
Joannes Vermorel: Das ist ein guter Punkt. Die Angst ist berechtigt, aber die Erwartungen der Menschen an das, was passieren wird, sind in der Regel falsch. Wenn Sie die Presse lesen, könnte man denken, dass all diese Arbeitsplätze ersetzt werden und die Menschen dagegen protestieren werden. Das ist jedoch in der Lieferkette nicht der Fall. Warum? Weil die Arbeitsplätze, die ersetzt werden, ehrlich gesagt nicht großartig sind. Stellen Sie sich vor, Sie widmen acht Stunden am Tag dem Bearbeiten von Excel-Tabellen. Das ist keine ansprechende Aufgabe. Die Menschen sind in der Regel ziemlich glücklich, wenn diese Aufgabe automatisiert werden kann. Sie können dann eine lohnendere Version ihrer Arbeit machen, die sinnvoller ist 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 Unternehmensebene.
Nehmen wir zum Beispiel ein Einzelhandelsnetzwerk mit verschiedenen Filialen. Die Frage ist - was ist mit dem Lagerbestand in jeder Filiale? Auf den ersten Blick könnte man denken, dass alle Produkte in den Filialen ausschließlich zum Verkauf an Kunden existieren. Aber das ist nicht ganz richtig. Der Lagerbestand in einer Filiale erfüllt zwei Zwecke. Der erste besteht darin, dass ein Kunde in die Filiale kommt, das findet, was er möchte, und einen Kauf tätigt. Der zweite Zweck besteht darin, die Filiale attraktiv genug zu machen, damit der Kunde zum Kauf verleitet wird. Der Lagerbestand erfüllt also eine doppelte Rolle.
Kieran Chandler: Das Problem, über das wir heute sprechen, ist der Grund, warum Geschäfte so voll mit Waren sind. Es scheint, als hätten sie Angst, halbleer zu erscheinen, ähnlich wie ein Geschäft aus der UdSSR. Das ist kein wünschenswertes Bild für Kunden.
Joannes Vermorel: Absolut, die Leute im Einzelhandel sind sich dessen bewusst. Das ist im Wesentlichen das, worum es beim Merchandising geht. Betrachten wir nun, was künstliche Intelligenz zum Tisch bringen kann. KI ist so präzise, dass sie Antworten liefern kann, von denen Sie nicht einmal wussten, dass Sie sie brauchen. Erstens kann sie Ihnen genau sagen, wie viele Einheiten Sie auf Lager haben müssen, um Ihre Kunden zu bedienen. Zweitens kann sie berechnen, wie viel Lagerbestand Sie benötigen, um Ihre Filiale für Kunden optisch ansprechend zu machen.
Kieran Chandler: Wenn wir also auf Unternehmensebene darüber nachdenken, wer bezahlt für diese beiden Arten von Lagerbeständen?
Joannes Vermorel: Nun, die Lieferkette bezahlt natürlich für den Lagerbestand, der für die Kunden benötigt wird. Aber was den zusätzlichen Lagerbestand betrifft, der nur dazu dient, die Filiale attraktiv aussehen zu lassen, handelt es sich im Grunde um eine Marketingausgabe. Es ist vergleichbar mit der Bezahlung für einen TV-Werbespot - er verkauft nicht direkt Produkte, erzeugt aber Interesse. Wenn Sie KI in Ihre Einzelhandelskette integrieren, beginnt sie, die Grenze zwischen Lieferkette und Marketing zu verwischen. Manche Menschen könnten dies als Herausforderung empfinden, insbesondere der Marketingdirektor, der plötzlich einen großen Teil des Budgets für Lagerbestände zugeteilt bekommt.
Kieran Chandler: Es scheint, als könnte dieser Wandel einige interne Konflikte innerhalb des Unternehmens verursachen.
Joannes Vermorel: Ja, es könnte Widerstand geben, insbesondere von denen, die mit ihren bisherigen Budgetierungsvereinbarungen zufrieden waren. Sie könnten sagen: “Nein, Lieferkettenleute, behaltet das bitte. Ich hatte nur TV-Werbung als Teil meines Budgets und das war in Ordnung.” Aber jetzt ändert sich die Wahrnehmung. Lagerbestände werden als Teil des Marketings betrachtet. Dies ist ein tiefgreifender Wandel, und während die Implementierung von KI-Software schnell erfolgen kann, könnte es Jahrzehnte dauern, um diese Veränderungen zu verstehen und sich anzupassen.
Kieran Chandler: Verstehe, das ist eine aufschlussreiche Perspektive. Nun, ich fürchte, das ist alles, was wir heute Zeit haben. Vielen Dank für diese interessante Diskussion, Joannes. Sie war vielseitig - wir haben mit künstlicher Intelligenz begonnen und sind bei Geschäften in der UdSSR gelandet. So laufen diese Dinge eben. Nun, vielen Dank für Ihre Zeit, Joannes.
Joannes Vermorel: Danke, Kieran.
Kieran Chandler: Ich hoffe, dass unsere Diskussion dazu beigetragen hat, einige der gängigen Missverständnisse über künstliche Intelligenz auszuräumen. Vielen Dank fürs Zuschauen und für das großartige Feedback, das wir bisher zu unseren Videos erhalten haben. Wir werden bald zurück sein, aber bis dahin, auf Wiedersehen.