00:00:00 Einführung und Klärung des Themas
00:02:55 Unternehmen, die mit KI alte Ansätze überdenken
00:04:28 Scheitern von cleveren Ingenieuren in der supply chain
00:05:44 Lokads automatisierte Webseitenübersetzung mit LLMs
00:09:15 Die vier wesentlichen Belege für das Scheitern
00:12:24 Warum Ausschreibungen dysfunktional sind
00:21:28 Warum Zeitreihen dysfunktional sind
00:32:47 Warum Sicherheitsbestände dysfunktional sind
00:50:04 Warum Service Levels dysfunktional sind
01:09:59 Fragen aus dem Publikum
01:32:15 Abschließende Gedanken
Zusammenfassung
In einer aktuellen LokadTV-Episode diskutierten Conor Doherty und Joannes Vermorel die inhärenten Schwächen im Mainstream-supply chain management, insbesondere die übermäßige Abhängigkeit von KI. Vermorel kritisierte langjährige Praktiken wie Ausschreibungen, time series Prognosen, safety stock Formeln und service levels, und argumentierte, dass diese veraltet und wirtschaftlich unsolide seien. Er betonte, dass KI diese tief verwurzelten Probleme nicht beheben könne, da sie noch nicht das Niveau menschlicher Intelligenz erreicht habe. Vermorel schlug vor, dass praxisbasierte, erfahrungsorientierte Anpassungen durch Praktiker oft diese fehlerhaften Methoden ausgleichen. Das Gespräch endete mit einer Fragerunde, die die Herausforderung unterstrich, in großen Unternehmen festgefahrene Prozesse zu beseitigen.
Erweiterte Zusammenfassung
In einer aktuellen Folge von LokadTV führte Conor Doherty, Kommunikationsdirektor bei Lokad, ein zum Nachdenken anregendes Gespräch mit Joannes Vermorel, CEO und Gründer von Lokad, über die Fallstricke von KI-Initiativen im supply chain management. Das Gespräch, das im neuen Studio von Lokad stattfand, drehte sich um Vermorels Behauptung, dass die Mainstream-Ansätze im supply chain management, insbesondere jene, die KI einbeziehen, grundlegend fehlerhaft und zum Scheitern verurteilt seien.
Vermorel begann damit, die langjährigen Praktiken im supply chain management zu kritisieren, von denen er glaubt, dass sie seit den späten 1970er Jahren starr geblieben sind. Er argumentierte, dass das bloße Hinzufügen von KI zu diesen veralteten Methoden keine Lösung sei, sondern lediglich eine vergebliche Übung. Er betonte, dass das Scheitern vergangener supply chain-Initiativen – selbst jener, die von hochintelligenten Ingenieuren geleitet wurden – als Warnsignal gegen die übermäßige Abhängigkeit von KI dienen sollte.
Conor Doherty stellte Vermorel vor die Herausforderung, indem er darauf hinwies, dass viele KI als Allheilmittel für supply chain-Probleme ansehen. Vermorel entgegnete, indem er die Einschränkungen von KI anhand des Beispiels von ChatGPT hervorhob. Er erklärte, dass, wenn hochintelligente Ingenieure es nicht geschafft haben, diese Probleme zu lösen, es unrealistisch sei, zu erwarten, dass KI – die noch nicht das Niveau menschlicher Intelligenz erreicht hat – Erfolg haben werde. Er betonte, dass KI Kosten senken und die Effizienz in Bereichen verbessern könne, in denen Lösungen bereits bekannt sind, jedoch grundlegende, fehlerhafte Probleme nicht lösen könne.
Die Diskussion vertiefte sich in die Details, warum Vermorel der Ansicht ist, dass die aktuellen supply chain-Praktiken fehlgeleitet sind. Er identifizierte vier Schlüsselbereiche: Ausschreibungen (RFPs), Zeitreihenprognosen, Sicherheitsbestandformeln und Service Levels. Vermorel argumentierte, dass Ausschreibungen, insbesondere für enterprise software, dysfunktional sind, da sie ein Maß an Wissen und Spezifizität voraussetzen, das unrealistisch ist. Er verglich diesen Prozess mit dem Schreiben einer detaillierten Spezifikation für ein Smartphone, ohne dessen Komplexitäten zu verstehen, was zu einem Auswahlverfahren führt, das oft die besten Anbieter ausschließt.
Nach Vermorel ist die Zeitreihenprognose eine weitere fehlerhafte Praxis. Er erklärte, dass Zeitreihendaten irreführend sein können, da sie entscheidende Nuancen – wie den Unterschied zwischen einem Großkunden und vielen kleineren Kunden – nicht erfassen. Dieser Mangel an Granularität kann zu schlechter Entscheidungsfindung und einem erhöhten Risiko führen.
Sicherheitsbestandformeln und Service Levels wurden ebenfalls dafür kritisiert, unwirtschaftlich und zu simpel zu sein. Vermorel argumentierte, dass diese Kennzahlen den breiteren wirtschaftlichen Kontext nicht berücksichtigen und oft zu suboptimalen Entscheidungen führen. Er schlug vor, dass ein ganzheitlicherer Ansatz, der das gesamte System und dessen wirtschaftliche Auswirkungen berücksichtigt, effektiver wäre.
Conor Doherty wies darauf hin, dass viele Unternehmen mit diesen fehlerhaften Methoden dennoch bedeutende Erfolge erzielen. Vermorel räumte dies ein, führte es jedoch auf die praxisnahen, erfahrungsbasierten Anpassungen zurück, die von Praktikern vor Ort vorgenommen werden, anstatt auf die theoretischen Modelle, die im supply chain management gelehrt werden. Er argumentierte, dass diese Praktiker oft auf Tabellenkalkulationen und manuelle Eingriffe zurückgreifen, um die Mängel der etablierten Methoden zu beheben.
Das Gespräch endete mit einer Q&A-Session, in der Fragen des Publikums beantwortet wurden. Vermorel betonte, dass das größte Hindernis für Veränderungen in großen Unternehmen die Schwierigkeit sei, verfestigte Prozesse zu entfernen. Er hob hervor, dass das Hinzufügen neuer Technologien, wie KI, einfacher sei als das Eliminieren veralteter Praktiken – selbst wenn Letzteres zu besseren Ergebnissen führen würde.
Zusammenfassend vertritt Vermorel die Ansicht, dass die aktuellen Mainstream supply chain Praktiken grundlegend fehlerhaft sind und dass KI, obwohl sie in bestimmten Kontexten nützlich sein mag, diese tief verwurzelten Probleme nicht beheben kann. Er befürwortet einen wirtschaftlich fundierteren Ansatz, der das gesamte System und seine Komplexitäten berücksichtigt, anstatt sich auf vereinfachende und veraltete Kennzahlen zu verlassen.
Vollständiges Transkript
Conor Doherty: Willkommen bei LokadTV, das heute live aus unserem wirklich schönen neuen Studio sendet. Wir beenden 2024 mit einem harmlosen und leichten Thema, basierend auf seiner Diskussion bei SCT Tech. Joannes Vermorel, direkt zu meiner unmittelbaren Linken, wird seine Perspektive erläutern, warum KI-Initiativen in der supply chain wahrscheinlich zum Scheitern verurteilt sind. Zögert nicht, eure Fragen jederzeit im Live-Stream zu stellen, und wir werden später darauf eingehen. Während ihr hier seid, abonniert den YouTube-Kanal und folgt uns auf LinkedIn.
Und noch ein letztes organisatorisches Detail, bevor wir darüber sprechen, wie viel klüger wir als alle anderen sind. Es wäre unhöflich, den Einsatz so vieler zu übersehen, die das Studio, das ihr hier seht, so schön gemacht haben. Alles – von den Bildschirmen hinter mir bis zu den Mikrofonen vor Joannes und mir – ist das Ergebnis harter Arbeit bei Lokad, besonders von Maxime Larrieu hinter der Kamera dort drüben und Baptiste Grison. Vielen Dank euch beiden für euren Einsatz. Und damit frage ich dich, Joannes: Warum sind die Menschen so dumm?
Joannes Vermorel: Allgemein denke ich, dass es der Fluch der menschlichen Spezies ist – mich eingeschlossen. Aber eigentlich wollte ich mit diesem provokanten Titel nur darauf aufmerksam machen, dass das, was ich typischerweise als den Mainstream supply chain Ansatz bezeichne, in den letzten vier Jahrzehnten weitgehend dysfunktional war. Im Hinblick auf Technologien und Praktiken war es praktisch eine Sackgasse. Was Unternehmen heute tun, hat sich konzeptionell seit den späten 70ern kaum verändert. Es sind immer dieselben numerischen Rezepte, dieselben Ideen, und es funktioniert einfach nicht gut.
Nun, die Vorstellung, dass man die Dinge einfach so belässt und ein wenig magisches KI-Pulver darüberstreut, sodass die Probleme augenblicklich verschwinden, halte ich für Wahnsinn oder – wie im Titel gesagt – für Dummheit. Ich meine nicht, dass die Menschen Ende der 70er dumm waren, so etwas auszuprobieren. Ich behaupte lediglich, dass, wenn man vier Jahrzehnte an aufeinanderfolgenden Misserfolgen betrachtet und daraus nichts lernt, das der Beginn von Dummheit ist. Wenn ich Unternehmen sehe, die versuchen, ihre supply chain mit generativer KI bei Beibehaltung der gleichen Ansätze und Prozesse neu zu beleben, brauche ich nicht abzuwarten, wie sich die Dinge entwickeln – ich weiß schon, dass es einfach nicht funktionieren wird. Es wird lediglich eine riesige Verschwendung von Zeit, Energie und Geld sein.
Conor Doherty: Aber viele Menschen sehen KI tatsächlich als eine Art Allheilmittel, wenn es um supply chain Initiativen geht. So, dass alles, was kaputt, fehlerhaft oder auf falschen Annahmen beruht, durch den Einsatz von Gen-AI repariert wird, zum Beispiel. Sagst du also im Grunde, dass das ein fehlgeleiteter Ansatz ist?
Joannes Vermorel: Absolut. Lassen Sie uns einen Moment innehalten. Nehmen wir an, ChatGPT wäre so intelligent wie ein Ingenieur vom MIT. Hervorragend, wir hätten nun künstliche allgemeine Intelligenz. Es stellt sich heraus, dass viele Konkurrenten von Lokad in den letzten vier Jahrzehnten genau das getan haben. Sie holen Ingenieure vom MIT, statten sie mit großen supply chain Projekten aus, und das Ziel ist es, Tabellenkalkulationen zu eliminieren und Entscheidungen zu automatisieren. Sie sind sehr schlau, man gibt ihnen Budget und Zeit – und dennoch scheitern sie.
Diese Misserfolge sind nicht außergewöhnlich. So ziemlich jedes Unternehmen, von dem ich weiß, dass es einen Umsatz von über einer Milliarde US-Dollar erzielt und älter als, sagen wir, 20 Jahre ist, hat wahrscheinlich drei oder vier gescheiterte supply chain Initiativen vorzuweisen. Initiativen, die darauf abzielten, Tabellenkalkulationen durch die Einführung intelligenter, viel integrierter numerischer Rezepte zu ersetzen – und sie sind gescheitert. Also stellt sich nun die Frage: Wenn ihr mit sehr intelligenten Ingenieuren gescheitert seid, warum soll dann etwas, das eine unterlegene Intelligenz hat – denn seien wir ehrlich, ChatGPT ist noch nicht auf menschlichem Niveau – Erfolg haben?
Die Automatisierung von Intelligenz bietet den Vorteil der Kosteneinsparung. Zum Beispiel haben wir bei Lokad die Übersetzung unserer Website robotisiert. Schaut man sich die Lokad.com-Website an, so ist sie in vielen Sprachen verfügbar. Ein Jahrzehnt lang haben wir das mit professionellen Übersetzern gemacht. Jetzt wird es automatisch mit großen Sprachmodellen erledigt. Hervorragend. Was wir eingespart haben, bezog sich auf Kosten, aber grundsätzlich war es ein Problem, das wir bereits manuell mit Menschen lösen konnten. KI hat nicht ein unlösbares Problem – die Übersetzung – gelöst. Sie hat es uns lediglich ermöglicht, dies billiger und schneller zu erledigen, was großartig ist.
Doch wenn wir zum ursprünglichen Problem zurückkehren, nämlich supply chain predictive optimization, stellt sich die Frage: Wenn alle bisherigen Versuche gescheitert sind, obwohl sehr schlaue Ingenieure zur Verfügung standen, warum sollte dann der Einsatz weniger einfallsreicher und etwas ausgefallener Instrumente einen Unterschied machen?
Conor Doherty: Was du da gerade angesprochen hast, führt zu folgender Frage: Wenn du von Dummheit sprichst, möchte ich das ein wenig näher beleuchten. Ich weiß, dass der Begriff bewusst provokativ gewählt wurde, aber selbst wenn wir über Unternehmen sprechen, die Entscheidungen auf fehlerhaften Annahmen basieren – und wir werden ins Detail gehen –, wenn du also sagst, dass Unternehmen wiederholt Fehler machen, dann ist das eine Art Irrtum. Vielleicht könnte man das großzügig unter Dummheit subsumieren. Es gibt aber auch eine Alternative, nämlich Unwissenheit. Unwissenheit ist neutral.
Dummheit, doof, idiotisch – diese Begriffe stammen ursprünglich aus der psychiatrischen Literatur und beziehen sich auf kognitive Beeinträchtigungen. Sie haben eine sehr spezifische Bedeutung. Unwissenheit ist neutral. Du und ich haben an einem schlechten Tag einen IQ von 180, aber dennoch sind wir uns in vielen Dingen nicht bewusst. Ich weiß nichts über Botanik, nichts darüber, wie Schnürsenkel hergestellt werden – aber ich bin nicht dumm. Mir fehlt nicht die neuronale Infrastruktur, um diese Dinge zu lernen; ich habe einfach nicht die Zeit oder den Zugang zu den nötigen Informationen. Also: Wenn Unternehmen schlechte Entscheidungen treffen, die zu schrecklichen oder suboptimalen Ergebnissen führen, und es gleichzeitig Unternehmen gibt, die gar nicht von der Existenz alternativer Paradigmen wissen – siehst du das als zwei zutreffende Darstellungen des Problems oder als simple Dummheit, also als Menschen, die Fehler machen?
Joannes Vermorel: Ja, das ist eine zutreffende Darstellung des Problems, was uns zu der Frage führt, worauf wir genau blicken. Wenn wir die Details betrachten, können wir unterscheiden, ob hier von Dummheit oder von Unwissenheit die Rede ist. Mein heutiger Vorschlag ist, dass es, wenn man die Details betrachtet, so offensichtlich wird, dass zu behaupten, es sei Unwissenheit, zu kurz greift.
Conor Doherty: Lassen Sie uns nun ins Detail gehen. Du hast vier wesentliche Nachweise oder vier Wege, um zu demonstrieren, was du als das Problem entweder der natürlichen Dummheit oder der natürlichen Unwissenheit in der Unternehmensentscheidung betrachtest. Es sind RFPs, Zeitreihenprognosen, Sicherheitsbestandsformeln und Servicelevels. Wir werden jeden systematisch durchgehen, aber aus der Gesamtbetrachtung: Was ist es an diesen vier Konzepten, das deiner Meinung nach deine Position untermauert?
Joannes Vermorel: Ich habe vier ausgewählt, aber es könnten durchaus 20 sein. Zumindest vier wesentliche Bestandteile der Mainstream supply chain Theorie und Praxis. Diese sind in wahrscheinlich 90 % der großen Unternehmen anzutreffen. Bei kleineren Unternehmen variiert es stark, aber bei größeren Unternehmen tendieren diese Praktiken zur Einheitlichkeit. Aufgrund ihrer weiten Verbreitung können wir diese Praktiken betrachten und uns fragen: Ergibt das überhaupt Sinn? Brauche ich einen MIT-PhD, um zu erkennen, dass es völliger Unsinn ist?
Wenn man innerhalb einer Minute feststellen kann, dass es völliger Unsinn ist, befinden wir uns definitiv im Bereich der Dummheit. Ist hingegen der einzige Weg, einen Fehler zu erkennen, ein sehr ausgeklügeltes, teures und zeitaufwändiges Experiment, dann handelt es sich vielmehr um einen Fehler im Bereich der Unwissenheit.
Conor Doherty: Wie gesagt, gehen wir systematisch vor. Der erste Nachweis in deinem Argument ist also die Existenz von RFPs. Ich nehme an, das ist ein Sammelbegriff für Requests for Proposals, Requests for Quotes, Requests for Information usw. Ist das alles?
Joannes Vermorel: Ja, und noch einmal, speziell für Unternehmenssoftware, die der supply chain Optimierung gewidmet ist. Wir können darüber diskutieren… Ich diskutiere nicht darüber, ob RFP der richtige Weg ist, um Großmengenpapier oder irgendein super offensichtliches Gut zu beschaffen. Der Kontext ist supply chain, ja. Und noch genauer, denn wenn Sie Barcode-Drucker für Ihre supply chain haben möchten, spreche ich darüber nicht. Ich spreche spezifisch über das, was Sie beschaffen möchten, um Ihren Entscheidungsfindungsprozess zu unterstützen. Mit supply chain meine ich genau das. Ich meine nicht Logistik, ich meine nicht die Anstellung von truck Fahrern. Ich meine die Entscheidungsprozesse, die den Fluss steuern. Also all die feinen Details, was Sie kaufen, was Sie produzieren, zu welchem Preis Sie verkaufen, wo Sie Ihr Inventar lagern – all das.
Conor Doherty: Okay, dann werfe ich es sofort direkt zu dir zurück. Was ist falsch daran, den RFP-Prozess zu verwenden, um einen Anbieter zu beschaffen?
Joannes Vermorel: RFPs sind völlig dysfunktional. Wenn Sie sich vorstellen möchten, wie ein RFP aussieht, stellen Sie sich einfach vor, Sie müssten in einem Word-Dokument all die Dinge auflisten, die Sie von Ihrem Smartphone erwarten. Das ist doch völliger Unsinn. Man weiß es nicht. Es hat eine unzählige Anzahl von Funktionen. Der Großteil Ihres Smartphones funktioniert aufgrund vieler Dinge, von denen Sie gar nichts wissen. Alle diese Funktionen aufzulisten, ist eine enorme Arbeit, und wenn Sie auflisten würden, was Ihr Smartphone Ihrer Meinung nach kann, würden Sie höchstwahrscheinlich vieles falsch erfassen.
Stellen Sie sich vor, Sie haben Hunderte von Kriterien, die Sie abdecken müssen, und wie hoch sind die Chancen, dass Sie durch das Erstellen dieser hunderten Seiten mit Anforderungen für Ihr Smartphone mit einem Dokument enden, das sowohl Samsung als auch Apple disqualifiziert? Höchstwahrscheinlich werden Sie das tun.
Unternehmenssoftware ist extrem komplex, und diese Komplexität spiegelt hauptsächlich das Problem wider, das Sie lösen möchten. Supply chain Optimierung ist selbst sehr komplex und ziemlich kompliziert, sodass Sie keine super einfache Antwort erwarten können. Sie kaufen nicht Tonnenweise Eisen oder crude Öl. Sie erwerben etwas sehr Hochentwickeltes, und das bedeutet, dass es keine Anbieter gibt, die füreinander Ersatz wären. Es gibt keine Eins-zu-eins-Entsprechung zwischen dem, was Anbieter X anbietet, und Anbieter Y.
Das Problem bei RFPs ist, dass sie voraussetzen, dass Sie Ihre Lösung bereits genau kennen, dass Sie eine vollständige Spezifikation vorliegen haben, und dann versuchen, angeblich eine große Anzahl von Anbietern in Ihre Anforderungsliste einzubinden. Software funktioniert einfach nicht so. Ein gutes Stück Software zu entwickeln, dauert etwa ein Jahrzehnt, mehr oder weniger. Kein Anbieter wird seine Technologie radikal an Ihren RFP anpassen. Sie zwingen alle durch hunderte Seiten Unsinn.
Der Prozess ergibt so wenig Sinn, dass wir normalerweise, wenn wir RFPs erhalten, mit etwa 400 bis 600 Fragen enden, und diese Fragen sind voller Rechtschreibfehler. Sehr häufig wird sogar der Name des Kundenunternehmens im Dokument falsch geschrieben, weil es den Beteiligten an den Fragen selbst völlig egal war. Es wurde an Praktikanten, an Berater oder Ähnliches delegiert. Sie erzeugen eine enorme Menge an Papierkram, und niemand weiß überhaupt, was die Hälfte der Fragen bedeuten soll, weil sie so schlecht formuliert sind. Die meisten dieser Fragen sind nicht einmal Fragen, sondern getarnte Anforderungen.
Danach antwortet der Anbieter mit Dutzenden, möglicherweise Hunderten von Seiten an Antworten, die niemand liest. Es gibt ein Gremium, das dies stufenweise durchgeht, und die Vorstellung, dass aus diesem völlig irrationalen Prozess eine rationale Entscheidung hervorgehen könnte, ist einfach nur verblüffend. Im echten Leben würde niemand als Individuum einen derart verrückten Prozess durchlaufen. Warum glauben Sie, dass plötzlich, nur weil Sie für ein großes Unternehmen tätig sind, etwas, das im normalen Alltag völlig verrückt erscheint, plötzlich Sinn macht, nur weil es die Praxis eines Großkonzerns ist? Das tut es nicht.
Conor Doherty: Also, noch einmal, ein paar Punkte, die wir auseinandernehmen sollten, denn es gibt sehr vieles. Zunächst einmal, bezieht sich Ihre Kritik auf… Oh, Entschuldigung, lassen Sie mich zurückgehen. Ich habe einige der RFPs gesehen, von denen Sie sprechen. Ich habe Beispiele gesehen wie: “Haben Sie noch ein Faxgerät? Lagern Sie Ihre Faxberichte in feuerfesten Schränken?” Ich meine, ich habe diese Dinge gesehen. Natürlich ist das völlig unsinnig. Das ist ein RFP in seinem aktuellen Zustand. Sagen Sie, dass das Konzept von RFPs, um ein Stück Software zu finden, in einem Vakuum, losgelöst von jeder schlechten Ausführung, einfach eine völlig verrückte Sache ist? Und wenn die Antwort darauf ja lautet, bitte erklären Sie, was die Alternative wäre.
Joannes Vermorel: Nein, die Idee, Marktforschung zu betreiben, ist nicht verrückt. Natürlich müssen Sie, wenn Sie einen Anbieter auswählen wollen, etwas Marktforschung betreiben. Die Vorstellung, dass man sich an die etablierten Praktiken von RFI und RFPs halten muss, ist Unsinn. Das ist mein Punkt. Mein Punkt ist, dass diese Praktiken zutiefst fehlerhaft sind, zutiefst, zutiefst fehlerhaft. Wenn Sie einen Prozess haben, der völlig dysfunktional ist, dann ist Improvisation viel besser.
Wenn Sie etwas tun, das nicht funktioniert, das so schrecklich ist, hören Sie einfach damit auf, und fast alles andere wird besser sein. Alles, was nicht noch bürokratischer ist. Meiner Meinung nach wären diese großen Unternehmen besser bedient durch einen rein informellen Prozess, und das war’s. Wenn Sie bereit sind, die Idee zuzulassen, eine überlegene Version des Prozesses zu verwenden, dann gibt es auch einen alternativen Weg. Das wird in einem meiner Vorträge zur adversarialen Marktforschung diskutiert, in dem ich einen besseren Weg darlege. Aber schon allein das Abschaffen dieses unsinnigen Prozesses wäre eine Verbesserung, selbst ohne das Wissen um diesen besseren Weg.
Einen super bürokratischen Prozess zu haben, ist keine gute Sache. Es ist eine schreckliche Sache. Es verlangsamt alles, verwässert die Verantwortung aller und disqualifiziert Anbieter nachteilig. Stellen Sie sich wieder Apple vor. Glauben Sie wirklich, dass Apple, wenn Sie einen RFP für sie durchführen, tatsächlich auf Sie achten wird? Werden sie ihr kostbares iPhone ändern, um Ihren Unternehmensanforderungen zu genügen? Nein, das werden sie nicht. Was Sie also effektiv tun, ist, dass die guten Anbieter von selbst aus Ihrer Marktforschung aussteigen – was völliger Unsinn ist. Das ist das Gegenteil von dem, was Sie wollen.
Meiner Meinung nach, wenn Sie etwas wie Krebs haben, entfernen Sie den Krebs und stellen Sie sich nicht die Frage, “Was setze ich anstelle des Krebses ein?” Wenn Sie den Krebs entfernt haben, haben Sie bereits etwas Gutes getan. Es ist eine Verbesserung. Nun können wir darüber diskutieren, was noch besser wäre, was man an seine Stelle setzen könnte, aber die erste Stufe besteht darin anzuerkennen, dass, wenn man den Krebs entfernt, man die Situation verbessert.
Leider – und hier komme ich zur bürokratischen Dummheit – ist die Annahme, dass die einzige Alternative zu einem bürokratischen Albtraum ein weiterer bürokratischer Albtraum sei. Das ist völliger Unsinn. Offensichtlich habe ich in 15 Jahren Geschäftstätigkeit noch keinen RFP gesehen, der nicht zutiefst, zutiefst dysfunktional war. Es sind nur Variationen zwischen den Kreisen der Hölle. Einige RFPs gleichen dem fünften Höllenkreis, andere dem neunten Höllenkreis. Es sind lediglich Variationen in Bezug auf die albtraumhafte Intensität, aber ansonsten ist es durchweg super, super schlecht.
Conor Doherty: Das waren Thomas Sowell und Dante Alighieri in nur 60 Sekunden. Das war sehr gut. Nun, eigentlich leitet das den Übergang vom ersten Punkt ein, der sich um RFPs und die Kritik an RFPs und RFQs usw. dreht. So könnte man quasi einen AI-Anbieter auswählen.
Joannes Vermorel: Genau.
Conor Doherty: Wenn ich die Frage noch abschließen darf, da ich ein wenig überleite: Der zweite Punkt lautet nämlich, sobald Sie einen AI-Anbieter ausgewählt haben, wenden wir uns dem zweiten Punkt zu, der Zeitreihenprognose, die Sie als den zweiten Beweis dafür anführen, warum Ihre AI-Initiative scheitern wird. Nun, dies ist, nachdem Sie bereits einen Anbieter ausgewählt haben. Was ist das Problem mit Zeitreihen?
Joannes Vermorel: Sobald Sie ausgewählt haben… Zunächst werden Sie höchstwahrscheinlich, dank Ihres RFP, einen sehr schlechten Anbieter auswählen. Das ist vorauszusetzen. Sie haben einen Prozess, der überhaupt keinen Sinn ergibt, sodass Sie höchstwahrscheinlich einen dieser schlechtesten Anbieter erhalten, die sich darauf spezialisiert haben, alles zu erfüllen, was in diesen RFPs vorgegeben ist – egal wie viel Unsinn das auch sein mag. Sie befinden sich bereits in einer Situation, in der ein Scheitern fast vorprogrammiert ist, selbst wenn der Anbieter nicht allzu dysfunktional wäre. Aber Sie haben anfangs wirklich den dysfunktionalen Anbieter ausgewählt. Nun, das führt mich zu den Zeitreihen.
Zeitreihen sind wie Alpha und Omega der modernen Mainstream-supply chain Perspektive. Was ist eine Zeitreihe? Es ist einfach eine Reihe von Datenpunkten, die einem bestimmten Zeitraum entsprechen. Das heißt, es gibt einen Wert pro Tag, einen Wert pro Woche oder pro Monat. Wenn ich von einer Zeitreihen-Perspektive spreche, bedeutet das, dass Sie alles anhand Ihrer Verkäufe oder Ihres täglichen, wöchentlichen, monatlichen aggregierten Flusses betrachten. Alles passt irgendwie in diese Zeitreihen.
Offensichtlich wünschen Sie sich bei diesen Zeitreihen – oder zumindest sollten Sie sich nach der Mainstream-supply chain Theorie Zeitreihenprognosen wünschen – die diese Zeitreihen in die Zukunft fortführen. Wenn Sie Ihre Verkaufsdaten bis heute haben, wollen Sie die Prognose, die diese Zeitreihen einfach in die Zukunft erweitert. So erhalten Sie den Verkaufswert für morgen, übermorgen usw.
Conor Doherty: Was ist falsch daran, mit einem umsetzbaren Datenpunkt versorgt zu werden, der beispielsweise besagt, dass die Nachfrage nächste Woche 10 Einheiten betragen wird? Das klingt toll.
Joannes Vermorel: Das Hauptproblem ist, dass Ihre supply chain nicht sinnvoll durch Zeitreihen dargestellt werden kann. Und was bedeutet das?
Nun, fangen wir mit einer ganz einfachen Situation an. Sie haben ein Produkt, das konstant 1.000 Einheiten pro Tag verkauft. Es wurde in den letzten, sagen wir, drei Jahren täglich 1.000 Einheiten verkauft. Super schön. Okay, wie sieht die Zukunft aus? Jetzt betrachte ich zwei verschiedene Situationen, die exakt dieselbe Historie aufweisen. Situation Nummer eins: Sie haben tausend unterschiedliche Kunden, und diese bestellen hin und wieder ein Produkt. Zusammen ergeben diese 1.000 Kunden 1.000 Einheiten pro Tag. Einige Kunden verlassen Sie, einige kommen hinzu, aber es bleibt sehr stabil. Das erzeugt die Zeitreihe. Was sagt Ihnen das? Es zeigt, dass Sie eine sehr konstante Nachfrage haben, die ziemlich robust wirkt. Tausend Kunden sind zwar keine Millionen, aber auch nicht null – das sieht gut aus.
Nun, die zweite Situation ist, dass Sie 1.000 Einheiten pro Tag haben, aber von einem einzigen Kunden. Ja, dieser Kunde war in den letzten Jahren sehr konstant und hat täglich 1.000 Einheiten bestellt, aber es handelt sich um einen einzigen Kunden. Wie hoch sind nun die Chancen, dass die Nachfrage morgen auf null fällt und für immer null bleibt? Offensichtlich – aus der ersten Perspektive, in der Sie tausend Kunden haben – würde ich sagen, das ist nicht unmöglich, aber es ist sehr unwahrscheinlich. Selbst wenn es ein katastrophales, markenschädigendes Ereignis gäbe, würden die meisten Kunden das nicht einmal bemerken. Selbst wenn es einen massiven Betrugsfall gäbe, hätten Sie dennoch Hunderte von Kunden, die davon monatelang nichts mitbekämen. Die Wahrscheinlichkeit, dass all diese Kunden in perfekter Abstimmung am selben Tag einfach aufhören, bei Ihnen zu kaufen, ist nicht unmöglich, aber sie ist sehr, sehr gering. Wir sprechen wahrscheinlich von einer Chance zu eins zu einer Million. Es ist selten.
Und im Gegensatz dazu, wenn Sie nur einen einzigen Kunden haben, bedarf es nur eines Managers, der sich entscheidet, einen anderen Lieferanten zu wählen, und zack, sinken Sie auf null. Wenn Sie sagen, dass Sie diesen treuen Kunden einmal in einem Jahrzehnt verlieren werden, sprechen wir von einer 0,1%-Chance. Es ist nicht eins zu einer Million; es ist um mehrere Größenordnungen höher. Das ist immer noch unwahrscheinlich, aber im Vergleich zur ersten Situation wird es höchstwahrscheinlich in ein paar Jahren passieren. Bei ausreichender Zeit, sagen wir etwa einem Jahrzehnt, ist es fast garantiert. Hier beschreibe ich zwei sehr grundlegende Situationen, die exakt dieselbe Darstellung durch Zeitreihen haben. Das ist der Kern des Problems: Zeitreihen sind vereinfacht. Sie können mehrere Situationen haben, die völlig unterschiedlich sind und dennoch exakt dieselben Zeitreihen aufweisen.
Conor Doherty: Und das ist wichtig. Warum?
Joannes Vermorel: Weil Ihre Entscheidungen sehr unterschiedlich ausfallen. Wenn Sie tausend Kunden haben, können Sie mit dem Inventar sehr konservativ umgehen. Sie können zum Beispiel sagen: “Oh, wir werden viele Monate an Lagerbestand haben, weil das in Ordnung ist. Wenn wir einige Kunden verlieren, passen wir die Produktion an, damit wir nicht in einen großen Überschuss geraten. Selbst wenn wir Kunden verlieren, haben wir immer noch Zeit, den Bestand zu liquidieren.” Im Gegensatz dazu bedeutet es, wenn Sie nur einen Kunden haben, dass, wenn dieser Kunde aufhört zu kaufen, Ihr Lagerbestand über Nacht zu totem Bestand wird. Alles, was übrigbleibt, ist eine garantierte Abschreibung des gesamten Lagerbestands.
Also sehen Sie, in Bezug auf supply chain Entscheidungen haben Sie zwei sehr unterschiedliche Situationen, die sehr unterschiedliche Maßnahmen erfordern. Deshalb sage ich, dass Zeitreihen verrückt sind. Die Hypothese lautet, dass wenn Sie alles als Zeitreihen darstellen – was genau das ist, was die Mainstream-supply chain tut –, dann können Sie vernünftige Entscheidungen treffen. Was ich sage, ist: Nein, das können Sie nicht. Sie können das nicht, weil Zeitreihen es nicht erlauben, grundlegende Aspekte Ihrer Tätigkeit abzubilden. Sie bleiben damit völlig blind. Es spielt keine Rolle, wenn Sie mehr Zeitreihen haben. Wiederum kommen wir zurück zu diesem einen Kunden versus 1.000 Kunden. Es spielt keine Rolle, wenn Sie mehr Zeitreihen haben; Sie bleiben immer mit der Tatsache stecken, dass es eine schlechte Darstellung Ihrer Daten ist. Es ist eine super vereinfachte Darstellung Ihrer Daten.
Conor Doherty: Entschuldigung, nur um es für alle, die vielleicht nicht verstehen, worauf Sie hinauswollen, aufzuschlüsseln: Aus Risikomanagementperspektive müssen Sie unterschiedliche Ansätze in Bezug auf die finanzielle Allokation haben, weil Ihr Exposure unterschiedlich ist.
Joannes Vermorel: Es ist sehr unterschiedlich. Wenn wir uns beispielsweise verderbliche Artikel in einem Geschäft ansehen, ermöglichen Ihnen Zeitreihen, Ihren Lagerbestand über die Zeit darzustellen. Also, wie viele Einheiten haben Sie in Ihrem Geschäft – sagen wir bei Joghurt – auf Lager? Aber die Realität ist, dass Ihre Produkte verderblich sind und ein Verfallsdatum haben. Nehmen wir erneut an, Sie haben 10 Einheiten auf Lager. Das ist eine Zeitreihen-Perspektive. Am Vortag hatten Sie 11 Einheiten, oder so ähnlich. Ihr Lagerbestand wird laufend dargestellt. Jetzt denken Sie: “Ich habe 10 Einheiten auf Lager. Ist das gut oder nicht gut? Ist es genug oder nicht?”
Ich möchte mir zwei Situationen ansehen. Situation A: Die 10 Joghurts, die Sie auf Lager haben, laufen in einem Monat ab. Das ist gut. Jemand, der den Laden betritt, wird Joghurts mit einer Haltbarkeit von einem Monat vorfinden. Das ist schön für Joghurts. Nun, Situation B: Die 10 Joghurts laufen morgen ab. Das ist sehr schlecht. Ihre Kunden werden es nicht mögen, Joghurts abzuholen, die morgen ablaufen. Vielleicht kauft ein Kunde einen nur für den Verzehr am nächsten Tag, aber jede Mutter, die den Wocheneinkauf für ihre Familie erledigt und die Woche organisieren möchte, wird keine Joghurts kaufen, die morgen ablaufen.
Also, bei derselben Darstellung – 10 Einheiten heute, was ein Bestandsniveau darstellt – fehlt Ihnen ein sehr wichtiger Informationsteil, nämlich die Zusammensetzung der Verfallsdaten. Wenn Sie ein Softwaresystem haben, das komplett um dieses Konzept von Zeitreihen herum entwickelt wurde, wird diese Information vom System immer ignoriert, da es sie gar nicht wahrnehmen kann. Sie ist kein Bestandteil des Zeitreihen-Paradigmas.
Conor Doherty: Und noch einmal, um es für alle Zuhörer ganz explizit zu machen, sagen wir: “Okay, ich höre das alles, ich verstehe, was du sagst, ich folge den Beispielen. Wie beeinflusst das die KI? Wie passt KI in dieses Bild?” Selbst wenn du Zeitreihen oder probabilistische Vorhersage verwendest.
Joannes Vermorel: Wenn Sie ein Paradigma haben, bei dem die Schlüsselinformation verloren geht – wie es bei Zeitreihen der Fall ist – spielt es keine Rolle, ob die Person, die sich die Zeitreihen ansieht, eine KI, ein sehr schlauer Ingenieur oder jemand anderes ist. Die Schlüsselinformation ist bereits verloren. Wenn Sie Ihre Verkaufsdaten durch die Brille der Zeitreihen betrachten, können Sie nicht zwischen einem und vielen Kunden unterscheiden. Sie können die Verfallsdaten nicht sehen. Es gibt viele Dinge, die einfach nicht sichtbar sind. Egal, ob es sich um eine KI, einen schlauen Ingenieur oder ein Programm handelt, das gewisse Regeln anwendet – die zentrale Information, die Sie benötigen würden, ist bereits verloren gegangen. Es spielt keine Rolle, wie viel Technologie Sie auf dieses Paradigma aufstapeln.
Conor Doherty: Gut, nun, ein wenig vorwärts – wir haben die ersten beiden Ansätze behandelt: RFPs und Zeitreihen. Der dritte und vierte Ansatz können möglicherweise zusammengefasst werden als Kennzahlen, nämlich Sicherheitsbestände und Servicelevel. Ob man diese nun einzeln oder zusammen diskutiert, was ist Ihr Einwand dagegen? Denn diese sind ziemlich üblich. Die meisten Unternehmen halten ziemlich strenge Richtlinien für Sicherheitsbestände und Servicelevel ein.
Joannes Vermorel: Das Problem mit Sicherheitsbeständen ist, lieber Zuhörer, dass man annimmt, dass man eine Nachfragevorhersage in Form von Zeitreihen hat, dass Ihre Nachfrage normalverteilt ist, dass Ihre Durchlaufzeiten normalverteilt sind, und dass man dann das Servicelevel festlegt. Das ergibt eine Zielbestandsmenge, die Sie vorrätig halten müssen – und das nennt man Sicherheitsbestand. Genau das ist ein Sicherheitsbestand.
Technisch gesehen haben Sie den Arbeitbestand, der der durchschnittlichen Nachfrage entspricht, und der Sicherheitsbestand ist die zusätzliche Komponente zur durchschnittlichen Nachfrage. Aber das ist eine Kleinigkeit. Insgesamt ergibt die Summe aus Arbeits- und Sicherheitsbestand die Zielbestandsmenge, die Sie halten möchten.
Was ist das Problem damit? Das Problem ist, dass es der falsche Weg ist, Bestandskontrolle zu betrachten. Das Ziel des Unternehmens ist, Gewinne zu erzielen. Sicherheitsbestände sind eine nicht-wirtschaftliche Perspektive auf diese Entscheidungen. Was bedeutet das? Es heißt, dass dabei nicht einmal der Versuch unternommen wird, die Gewinne zu optimieren. Das Problem ist, dass wir etwas haben, das nicht einmal versucht, die Gewinne zu optimieren. Warum glauben Sie, dass dieses Vorgehen gewinnbringend sein soll?
Wie optimiert man tatsächlich, um Gewinn zu erzielen? Nun, es ist ganz einfach. Man betrachtet beispielsweise eine einfache Situation – einen Laden. Man wählt die erste Inventareinheit, die den höchsten Ertrag maximiert. Ich wähle diese Einheit und stelle sie in den Laden. Das ist das Element, das mir den höchsten Ertrag bringt. Ich entscheide mich für die erste Einheit, die dies leistet, und danach muss ich den Prozess mit einer zweiten Einheit wiederholen, die den Ertrag maximiert. Da es sich um einen Laden handelt, wird höchstwahrscheinlich die zweite Einheit, die ich auswähle, nicht dasselbe Produkt wie die erste Einheit sein.
Der Punkt ist, dass ich meine zusätzlichen Einheiten streuen möchte, um mehr Nachfrage abzudecken. Wenn ich Ihnen sage, dass Sie nur eine erste Einheit bestellen können, wählen Sie eine Einheit. Wenn ich dann sage, dass Sie eine zweite Einheit wählen können, möchten Sie höchstwahrscheinlich etwas anderes auswählen, da Sie zumindest Ihre Abdeckung in Bezug auf die Nachfrage im Laden erhöhen möchten. Und wenn ich Ihnen sage, dass Sie eine dritte Einheit wählen können, werden Sie wieder etwas leicht Anderes aussuchen.
Mein Punkt ist, dass die Betrachtungsweise des Sicherheitsbestands eine völlig nicht-wirtschaftliche Perspektive einnimmt. Sie betrachtet ein Produkt in einem Laden und – noch einmal für das Publikum – in einem kleinen Markt gäbe es etwa 5.000 verschiedene Produkte in den Regalen. Dabei wird ein Produkt isoliert betrachtet und man entscheidet dann isoliert, ob man mehr oder weniger haben möchte. Ich sage, das ist Unsinn.
Schauen wir uns das noch einmal an. Wenn Sie es manuell machen müssen – Sie befinden sich in einem Lebensmittelgeschäft – würden Sie nicht isoliert darüber nachdenken, ob Sie mehr oder weniger von etwas benötigen. Es ist ein Kompromiss. Sie haben begrenzten Regalraum und ein begrenztes Budget, sodass Sie denken: “Habe ich genügend davon? Sollte ich nachbestellen ausreichend von diesem Produkt, oder gibt es etwas anderes, das ich zuerst nachbestellen sollte?” So denken Sie hinsichtlich der Kapitalrendite. So können Sie auch aus einer wirtschaftlichen Perspektive denken.
Was ich sagen möchte, ist, dass Sicherheitsbestände eine nicht-wirtschaftliche Perspektive darstellen. Es ist eine mathematisch interessante Perspektive – zumindest aus pädagogischer Sicht, vielleicht für Studierende der angewandten Mathematik als kleine Übung. Aber wenn wir zur realen supply chain kommen – und nochmals, ich nehme als Beispiel einen sehr einfachen Laden, was etwa das Einfachste ist, was man sich vorstellen kann – sehen wir, dass es sich um eine nicht-wirtschaftliche Perspektive handelt. Also haben wir ein Problem, Houston. Dieses Vorgehen versucht nicht einmal, die Gewinnmarge meines Unternehmens zu verbessern. Das ist einfach falsch.
Die Alternative, die ich beschrieben habe, ist ziemlich unkompliziert. Es geht darum, die Elemente auszuwählen, die mir den höchsten Ertrag bringen. Ich wähle die erste Einheit, dann die zweite Einheit usw. Wir können auf die technischen Details eingehen, wie genau wir das machen, aber das sind Kleinigkeiten. Meine Kritik an Sicherheitsbeständen ist, dass es unmöglich ein vernünftiger Ansatz sein kann, weil er eine nicht-wirtschaftliche Herangehensweise darstellt. In der Praxis endet man sehr häufig in unsinnigen Situationen. Zum Beispiel berechnen Sie anhand Ihrer Sicherheitsbestände all die Dinge, die in Ihren Laden gehören sollten, und es passt einfach nicht.
Was Sie sehen, ist, dass das im Wahnsinn endet. Ihr Sicherheitsbestand gibt vor, dass all diese Produkte all diese Einheiten benötigen, und weil alles isoliert betrachtet wird – Sie haben 5.000 Produkte, und für jedes einzelne Produkt wird eine Menge festgelegt. Wenn Sie die Summe all dieser Mengen bilden, passt es nicht zusammen.
Wenn wir zu Ihrer KI zurückkehren – was soll Ihre KI tun? Erneut besagt Ihr Paradigma, dass Sie Ihren Sicherheitsbestand berechnen. Ihre KI kann Ihnen vielleicht helfen, den Sicherheitsbestand präziser zu berechnen. Ich bin mir nicht einmal sicher, wie das genau helfen würde. Aber die Realität ist, dass Sie ein Paradigma haben, das von Grund auf fehlerhaft ist. Ihre KI wird – egal wie sie Ihren Sicherheitsbestand berechnet – immer noch in dieses seltsame Paradoxon geraten. Was bedeutet es überhaupt, Verbesserungen zu erzielen, wenn Sie eine nicht-wirtschaftliche Perspektive haben? Ihre KI kann aus etwas, das keine wirtschaftliche Bedeutung hat, keinen Sinn heraufbeschwören.
Conor Doherty: Bevor wir zu den Serviceleveln übergehen, möchte ich noch einen Punkt aufgreifen, den Sie bereits erwähnt haben. Sie beschrieben Sicherheitsbestände als eine nicht-wirtschaftliche Perspektive. Das habe ich verstanden. Sie sprachen auch davon, SKUs isoliert zu betrachten, was fehlerhaft ist. Das Gegenteil wäre also, die Dinge in Kombination zu betrachten. Könnten Sie diesen Punkt – Isolation versus Kombination – etwas näher erläutern?
Joannes Vermorel: Ja, ich meine, supply chain ist ein System. Das bedeutet, dass Sie die Teile nicht trennen können, ohne ihre Natur zu verändern. Ein Produkt, das in einem Lebensmittelgeschäft im Regal verkauft wird, ist nicht dasselbe, wenn ich es isoliert verkaufe. Wenn Menschen in ein Lebensmittelgeschäft gehen, erwarten sie eine Auswahl an Produkten und nicht nur ein einzelnes Produkt. Und das gilt im Grunde für jede nicht-triviale supply chain. Eine reale supply chain wird so sein. Wenn Sie Autos produzieren, müssen Sie all diese Teile zusammenführen, um am Ende funktionierende Fahrzeuge zu erhalten. Man kann die Räder nicht entfernen und sagen, das ist ein Auto. Ein Auto ohne Räder ist kein Auto; es ist einfach etwas anderes.
Grundsätzlich haben Sie Systeme, in denen es viele unterschiedliche Arten von physischen Gütern gibt, die erst in der Kombination Sinn ergeben. Das heißt nicht, dass in einem Auto, wenn man die Räder entfernt, das Auto überhaupt nicht mehr funktioniert. In einem Laden können Sie entscheiden, dass Sie vielleicht keinen Senf im Regal haben möchten. Vielleicht ist es für die Kunden in Ordnung, wenn Sie keinen Senf haben, oder im Gegenteil, Sie müssen drei verschiedene Arten von Senf vorrätig haben.
Offensichtlich gibt es viel Feinheit, je nachdem, worauf Sie schauen. Es ist nichts, was strikt schwarz oder weiß ist. Aber grundsätzlich, wenn Sie in einem Lebensmittelgeschäft Senf verkaufen, macht das nur im Zusammenhang mit den anderen Produkten, die dazu passen, Sinn. Was ich sagen möchte, ist, dass Sie den Kern verfehlen, wenn Sie diese Dinge isoliert betrachten. Sie verpassen, was den Laden attraktiv macht. Sie verpassen die Dynamiken, die dort ablaufen.
Die Leute betreten Ihr Lebensmittelgeschäft und kaufen nicht nur einen Artikel. Einige Kunden kommen herein und kaufen einen Gegenstand, aber die meisten nehmen einen Korb und kaufen viele Artikel. Was ich sagen möchte, ist, dass wenn Sie diese Sicherheitsbestands-Perspektive einnehmen, Sie eine sehr seltsame, super vereinfachte mathematische Sichtweise verfolgen, die Ihre SKUs, Ihre Produkte, strikt isoliert voneinander betrachtet. Selbst bei der simpelsten supply chain – wie einem Lebensmittelgeschäft – macht das bereits keinen Sinn. Warum sollten Sie also denken, dass es in einem komplizierteren Umfeld, wie in der Luft- und Raumfahrtindustrie MRO oder Ähnlichem, mehr Sinn ergeben würde?
Conor Doherty: Lokad hat einen spezifischen Begriff dafür, nämlich die Korb-Perspektive. Ich glaube, wir haben tatsächlich vor ein paar Wochen – oder vielleicht vor einem Monat – eine Flashcard auf LinkedIn veröffentlicht, in der das beschrieben wurde. Wie Sie sagten, gehen die Leute normalerweise nicht in einen Supermarkt und kaufen nur eine Sache. Sie haben eine Einkaufsliste im Kopf, und das Fehlen eines Artikels kann zu Verlusten führen. Wenn Leute mehrere Dinge kaufen, kommen sie herein und kaufen zehn Artikel – und der elfte, der kritisch ist, fehlt. Verlassen sie den Laden wegen dieses fehlenden kritischen Artikels, verlieren Sie den gesamten Umsatz dieses Korbs. Es ist also die Korb-Perspektive. Zwischen all diesen Dingen besteht eine Beziehung.
Joannes Vermorel: Ja, und die Sache ist: Wenn wir zu Sicherheitsbeständen und KI zurückkehren, spielt es keine Rolle, ob Ihre KI super schlau oder super dumm, günstig oder teuer ist – sobald Sie die Sicherheitsbestands-Perspektive übernommen haben, steckt sie bereits in einer Sackgasse, aus der es keine Lösung gibt. Deswegen sage ich, dass natürliche Dummheit immer die künstliche Intelligenz übertrumpft. Es spielt keine Rolle, wie ausgefeilt die Technologie ist, wie zugänglich sie ist oder wie wartungsfreundlich sie ist. All das wird völlig irrelevant, weil Sie das Problem bereits auf unsinnige Weise eingegrenzt haben.
Conor Doherty: Dem stimme ich zu. Ich bin Ihrer Meinung, aber ich möchte hinzufügen, dass dies ein wirklich gutes Beispiel für den Unterschied ist, den ich zuvor zwischen natürlicher Dummheit und Unwissenheit erwähnt habe. Was wir gerade beschrieben haben, ist ein reales Phänomen, aber es ist sehr abstrakt. Es erfordert ein gewisses Verständnis für die Zusammenhänge zwischen Dingen, die nicht sofort offensichtlich sind.
Joannes Vermorel: Da bin ich anderer Meinung. Wann immer Sie mit jemandem sprechen, der völlig ungebildet einen Laden betreibt, weiß er, dass es keine Zauberei ist. Wir sprechen nicht von hochentwickelter Mathematik. Gehen Sie einfach zu jedem Ladenbesitzer, der das seit einer Woche macht, und er wird verstehen, dass die Sortimentgestaltung von Bedeutung ist. Man kann nicht die richtige Bestandsmenge für ein Produkt völlig isoliert vom Rest betrachten.
Tatsächlich handelt es sich um eine Art sehr ausgeklügelter Absurdität, die es eines Universitätsprofessors bedarf, um sie zu verbreiten. Es ist absurd, und der einzige Weg, diese Art von Idee erfolgreich zu fördern, besteht darin, in einer Umgebung zu sein, in der man völlig vor den realen Konsequenzen dieser sehr schlechten Idee geschützt ist. Wenn Sie einen Laden führen würden, würden Sie nicht so denken. Machen Sie einen Test: Sprechen Sie einfach mit jedem in Ihrer Nachbarschaft, der irgendeinen Laden betreibt. Wenn sie so denken, dann tun sie es – wenn nicht, denken sie in Bezug auf das Ganze. Sprechen Sie mit der Person, die den Bestand verwaltet und die Nachbestellung auslöst – wie in kleinen Familienläden –, und sie werden ganzheitlich denken.
Conor Doherty: Das ist tatsächlich ein guter Punkt. Es gibt einen Unterschied, den man herausarbeiten muss, und ich würde gerne Ihre Meinung dazu hören. Der Unterschied zwischen enormen, multi-milliarden-Dollar-Konglomeraten mit unglaublich großen supply chain, die Bestellungen abwickeln – sagen wir, in supply chain Entscheidungen könnten es Hunderttausende pro Tag sein – und kleinen Familienläden, bei denen es Joannes’ Laden ist und Joannes das Geld aus seiner eigenen Tasche zieht, um diese Dinge jeden Tag zu kaufen.
Es erinnert mich an etwas, das Peter Cotton sagte, als wir vor anderthalb Jahren mit ihm sprachen. Er sagte, dass man ganz unterschiedliche Entscheidungen trifft, wenn es um das eigene Geld geht. Die Art und Weise, wie man über das Problem nachdenkt, ist ganz anders, wenn man das Geld aus eigener Tasche nehmen muss. Daher meine Neugier: Warum sehen Sie, dass sehr große Unternehmen schlechte Entscheidungen treffen, während Sie als Beispiel einfach nahegelegene Läden anführen?
Joannes Vermorel: Da liegt der Wahnsinn. Große Unternehmen treffen diese schlechten Entscheidungen nicht, denn obwohl sie es behaupten, halten sie Sicherheitsbestände ein. Die Menschen, die sie beschäftigen, tun das nicht. Genau dort wird’s verrückt. Wie sieht die tatsächliche Landschaft aus? Die Landschaft ist, dass man Universitätsprofessoren hat, die sagen, man müsse Sicherheitsbestände einhalten. Man hat supply chain Lehrbücher, die sagen, man müsse Sicherheitsbestände einhalten. Man hat supply chain KI-gesteuerte Anbieter, die behaupten, wir hätten KI-gesteuerte Sicherheitsbestände. Großartig. Dann gibt es Unternehmen, die Systeme nutzen, die auf Sicherheitsbeständen beruhen – oder manchmal werden diese Puffer oder wie auch immer genannt. Es gibt verschiedene Varianten.
Am Ende des Tages hat man supply chain Sachbearbeiter, genannt Demand and Supply Planners, Category Manager, Inventory Manager – die Bezeichnungen variieren –, die mit ihren Tabellenkalkulationen etwas ganz anderes machen. Üblicherweise ist meine typische Reaktion, wenn ich mit diesen Leuten spreche: “Oh ja, die Sicherheitsbestände – sie sind Teil unseres Plans, sie zu nutzen. Nächstes Jahr, wenn wir genügend Reife haben, werden wir sie wirklich einsetzen. Aber vorerst hatten wir so viele Probleme, dass wir etwas ganz anderes machen. Mit meinen Tabellenkalkulationen gehe ich es anders an. Ich weiß, es ist ein Durcheinander, aber es funktioniert irgendwie. Mit mehr Schulung werde ich eines Tages in der Lage sein, Sicherheitsbestände zu nutzen.”
Das ist verrückt, denn die Realität ist, dass das, was diese Person tut, tatsächlich Sinn ergibt. Dieses alternative Rezept ist exakt das, was Sinn macht, und Sicherheitsbestände sind nur die Farce, die allgegenwärtige Farce, die nicht funktioniert. Sie funktionieren seit mindestens 1979 nicht mehr, wie Russell Ackoff festgestellt hat. Das ist der Grund, weshalb Tabellenkalkulationen unter diesen Bedingungen niemals verschwinden können.
Wann immer man sagt, wir werden all diese chaotischen Tabellenkalkulationen durch Softwareautomatisierung ersetzen, scheitert es. Es scheitert, weil der Sicherheitsbestand eine schlechte Idee ist. Es spielt keine Rolle, ob man einen KI-gestützten Sicherheitsbestand hat; es bleibt eine schlechte Idee. Es ist eine Idee, die so schlecht ist, dass sie nicht funktioniert. Große Unternehmen probieren es, scheitern und greifen wieder zu Tabellenkalkulationen. Die Leute denken sich: “Ich mache das ein wenig auf meine eigene Art. Wenn ich mehr Schulung bekomme, werde ich Sicherheitsbestände einsetzen, aber vorerst brauche ich etwas, das tatsächlich funktioniert.”
Conor Doherty: In diesem Zusammenhang hast du ausführlich erklärt, wie fehlerhaft Sicherheitsbestände sind. Ich vermute, dass ein Großteil der gleichen Kritik auch für Service Levels gilt. Sie sind nicht exakt dasselbe, aber was ist – im Hinblick auf Entscheidungsprozesse – die Richtlinie, die du anwendest, um zu einer Entscheidung zu gelangen? Erkläre bitte, was dein Problem mit Service Levels ist.
Joannes Vermorel: Mein Problem mit Service Levels ist, dass der Service Level ein extrem fehlerhafter Stellvertreter für die Servicequalität ist. Tatsächlich hat er fast nichts mit der Servicequalität zu tun. Was du willst, ist, deine Kunden gut zu bedienen – das versteht sich, wenn du eine supply chain betreibst.
Betrachten wir nun einen einfachen Fashion-Store. Was bedeutet es, hohe Service Levels zu haben? Wenn du hohe Servicequalität mit dem Service Level gleichsetzt, dann heißt das, dass hohe Servicequalität auch einen hohen Service Level bedeutet. Wenn du sagst, Service Level sei ein guter Stellvertreter für Servicequalität, dann heißt hohe Servicequalität, dass der Service Level hoch ist.
Wenn du einen Laden hast, der eine Kollektion deiner Modemarke verkauft, was bedeutet es, hohe Service Levels zu haben? Es bedeutet im Grunde, dass jedes Produkt – zumindest ein paar Einheiten – bis zum Ende deiner Kollektion im Regal vorhanden ist. Hohe Service Levels bedeuten, dass dein Laden bis zum letzten Moment der Kollektion noch voll bestückt ist. Wie bringst du dann die nächste Kollektion in deinen Laden?
Du musst Platz schaffen, indem du die alte Kollektion loslässt, was bedeutet, dass du akzeptierst, dass bei diesen Produkten die Service Levels auf null sinken. Kunden können trotzdem sehr zufrieden sein, auch wenn viele Produkte einen Service Level von null haben. Während einige Produkte auslaufen, treten andere in Kraft, und deine Kunden sind weiterhin sehr glücklich. Es besteht keinerlei Korrelation zwischen der Servicequalität, die nur in den Augen des Kunden existiert, und dem, was du mit deiner numerischen Formel misst – nämlich dem Service Level.
Wenn Service Levels ein extrem schlechter Stellvertreter für Servicequalität sind, warum denkst du, dass eine KI, die deinen Service Level steuern soll, sinnvolle Entscheidungen für dein Unternehmen treffen wird? Ganz wie meine Kritik am Sicherheitsbestand handelt es sich hier nicht um eine wirtschaftliche Perspektive. Du gibst deiner KI ein Konzept, den Service Level, der keine Perspektive der Servicequalität darstellt. Deine KI muss mit diesem Instrument arbeiten, aber es stellt sich heraus, dass dieses Instrument völlig unzureichend ist, um das Problem der Servicequalität zu lösen.
Conor Doherty: Du hast ein paar schöne Formulierungen verwendet, unter anderem “Service Levels sind ein extrem fehlerhafter Stellvertreter für Servicequalität” und “Servicequalität existiert nur in den Augen der Kunden.” Aber das führt zu einer zweiteiligen Frage: Erstens, was ist ein guter Stellvertreter? Und zweitens, wenn Servicequalität nur in den Augen der Kunden existiert, wie sollen Unternehmen dann tatsächlich wissen, ob sie eine gute Servicequalität haben?
Joannes Vermorel: Das sind sehr gute Fragen. Fangen wir zunächst an, uns Stellvertreter anzusehen. Lassen Sie uns einige Gedankenexperimente durchführen – so lassen sich die wirklich schlechten herausfiltern. Wir müssen dafür nicht einmal ein echtes Experiment in einem Laden machen, sondern können es als Gedankenexperiment durchführen. Das ist sehr kostengünstig. Zuerst müssen wir uns darauf einigen, dass, wenn wir einen Laden mit denselben Produkten im Regal betrachten, sich nichts ändert. Was auch immer wir als Servicequalität ansehen, ändert sich nicht. Wenn ich denselben Laden, dieselben Produkte, zur selben Zeit betrachte und nichts ändere, dann sollte sich auch die von mir wahrgenommene Servicequalität nicht ändern.
Lassen Sie uns den Service Level noch einmal betrachten. Viele Unternehmen messen den Service Level, indem sie den Prozentsatz der Produkte ermitteln, die entweder ausverkauft oder nicht ausverkauft sind. Wenn 97 % deiner Produkte nicht ausverkauft sind, hättest du einen Service Level von 97 %. Es gibt verschiedene Möglichkeiten, den Service Level zu betrachten, etwa durch stockouts. Das geschieht bei einer Sicherheitsbestand-Optimierung, was eine leicht andere Perspektive ist. Aber so arbeiten viele Unternehmen mit einem solchen Bericht – darum werde ich diese Methode verwenden.
Stellen wir uns nun konzeptionell vor, dass wir beschlossen haben, das Sortiment des Ladens zu verdoppeln. Wir hatten einen Fashion-Store mit, sagen wir, 3.000 verschiedenen Artikeln. Nun behaupten wir, dieser Laden solle 6.000 Artikel führen, während im Laden immer noch exakt dieselben 3.000 Artikel vorhanden sind. Konzeptionell haben wir im Computersystem, das den Laden steuert, das Sortiment als doppelt so groß deklariert – mit mehr Varianten, mehr Farben, mehr Größen.
Haben wir aus der Perspektive der Kunden etwas verändert? Offensichtlich nicht. Es ist immer noch derselbe Laden, dieselben Hosen im Regal, dieselben Farben, dieselben Größen. Nichts hat sich geändert. Aber im Computersystem haben wir den Umfang des verfügbaren Sortiments verdoppelt. Dadurch hat sich der vom Computersystem gemessene Service Level buchstäblich halbiert. Waren es beispielsweise 97 %, so sinkt er nun auf etwa 48 %, obwohl im Laden nichts verändert wurde.
Deshalb sage ich, dass wenn ein Stellvertreter in Gedankenexperimenten, bei denen du allein an deinen Computereinstellungen drehst, während im Laden nichts geändert wird, willkürlich große Änderungen in deinen Zahlen hervorruft, dieser Stellvertreter völliger Unsinn ist. Was auch immer du als Stellvertreter für Servicequalität verwenden möchtest, sollte selbstverständlich nicht von technischen Details in deinen Computersystemen abhängen. Es wäre absurd, wenn ein Physiker fragt: “Was wiegt diese Flasche?” und die Antwort davon abhängt, ob das Computersystem auf Russisch oder Französisch konfiguriert ist. Das ist einfach verrückt. Die Antwort ist völlig unabhängig. Oder stell dir vor, das Gewicht hinge davon ab, ob es sich um eine Linux- oder eine Windows-Maschine handelt – das ist absurd. Du solltest also Eigenschaften betrachten, die völlig unabhängig von deinem Computersystem sind.
Was ich mit dem Service Level demonstriert habe, ist, dass man durch Herumspielen mit dem Sortiment große Schwankungen im Service Level erzeugen kann. Dies zeigt, wie unsinnig diese Kennzahl eigentlich ist. Meiner Meinung nach, wenn es um die Servicequalität geht, kehren wir zu der Vorstellung zurück, dass man, wenn man etwas grundsätzlich Wahnsinniges hat, auch ohne arbeiten sollte. Selbst wenn es keine Alternative gibt, ist es wie ein Tumor – entferne den Tumor, und es geht dir besser ohne ihn. Überlege noch nicht, was du anstelle des Tumors einsetzen sollst.
Können wir tatsächliche, hochwertige Messungen der Servicequalität vornehmen? Ja, das können wir. Das ist ein völlig anderer Diskussionsansatz, und ich würde ungern in dieses Gebiet eintauchen. Aber du verstehst meinen Punkt: Man kann natürliche Dummheit nicht mit künstlicher Intelligenz überwinden. Egal, wie ausgefeilt deine Techniken sind, wenn deine Grundlage sehr schlecht ist, wird das Problem nicht gelöst. Wenn du mit einem fehlerhaften Konzept, einem gebrochenen Paradigma beginnst, spielt es keine Rolle, wie viel Instrumentierung du noch dazulegst – dein Paradigma bleibt fehlerhaft.
Conor Doherty: Ja, okay, das können wir akzeptieren. Aber die unmittelbare Reaktion darauf ist, dass, wenn du sagst, diese Ideen seien dumm und die Paradigmen zerbrochen und würden nicht zu besseren Entscheidungen führen, dann antwortet ein CEO oft: “Wovon redest du? Ich habe letztes Jahr 10 Milliarden Umsatz gemacht – mit Sicherheitsbeständen, mit Service Levels, mit RFPs, mit Zeitreihenprognosen.” Auch wenn es keine Obergrenze dafür gibt, wie viele Dinge gleichzeitig wahr sein können, verstehst du sicherlich, dass manche Leute, wenn sie hören “ihr seid dumm, weil ihr diese Dinge macht” oder “ihr seid ignorant” oder “das sind schlechte Ideen”, einfach nur auf das Ergebnis verweisen und sagen: “Aber schau, mir geht es wirklich, wirklich gut. Wovon redest du?”
Joannes Vermorel: Fangen wir noch einmal von vorne an. Fashion-Stores. Wir haben Kunden, und im Laufe der Jahre haben wir Gespräche mit Interessenten geführt, die zu Kunden wurden. Sie erzählten uns, dass sie die Service Levels optimieren. Das sagen sie, und wenn man sich den Prozess anschaut, steht das auch so geschrieben. Aber wenn man betrachtet, was die Praktiker tatsächlich machen, tun sie das nicht. Wir sind wieder beim Sicherheitsbestand. Es stellt sich nämlich heraus, dass Stores – konkret ein Fashion-Store – wenn die nächste Kollektion ansteht, plötzlich beschließen, erheblich weniger nachzubestellen. Sie lassen absichtlich die Service Levels stark sinken. Und dann, wenn es endlich Zeit für die neue Kollektion ist, gibt es eine Ausverkaufsphase und plötzlich ist genug Platz, um die neue Kollektion hereinzubringen.
Wir befinden uns also in einer Situation, in der vor allem das Top-Management behauptet, Service Levels zu nutzen, in Wirklichkeit aber nicht. Die Mitarbeiter vor Ort handeln anders. Deshalb scheitern Automatisierungsversuche immer wieder. Wenn man automatisiert, versucht man nämlich, diese dysfunktionale Idee in die supply chain zu zwängen – was mit der Realität kollidiert – und deshalb scheitert es. Die Leute greifen wieder zu Tabellenkalkulationen.
Das Interessante ist, dass es in der modernen supply chain Welt eine enorme kognitive Dissonanz gibt. Einige der wesentlichen Grundprinzipien – wie Zeitreihen, Sicherheitsbestände und Service Levels – sind völlig fehlerhaft. Die Praktiker machen Dinge, die völlig anders sind als in den Tabellenkalkulationen. Anstatt Service Levels als etwas Zwingendes zu betrachten, nehmen sie sie einfach als ein Indikator und handeln mit großem Spielraum.
Wenn wir die Frage umformulieren zu “Ist es grundsätzlich schlecht, irgendwo Service Levels als Indikator zu haben?” würde ich sagen: Nein. Es ist nur eine von vielen deskriptiven Kennzahlen. In diesem Bereich gibt es eine Menge deskriptiver Statistiken. Sie sind weder gut noch schlecht – sie sind einfach mehr oder weniger organisiert und geben dir mehr oder weniger Einblick in das, was passiert. Aber die supply chain Theorie vermittelt etwas ganz anderes.
Man sagt nicht, dass der Service Level ein Element der deskriptiven Statistik ist; man behauptet, er sei dein Ziel und du solltest Entscheidungen treffen, die zu diesem Ziel passen. Was ich meine, ist, dass die Leute in großen Unternehmen das fast immer nicht tun – und das haben sie gut so. Genau wie bei Sicherheitsbeständen würden sie sagen: “Oh ja, wir haben unsere Service Level-Ziele. Wir brauchen mehr Reife, und eines Tages werden wir es umsetzen. Aber vorerst brauchen wir etwas, das funktioniert.”
Wir befinden uns wieder in einer verrückten Situation, in der die Praktiker wissen, dass sie etwas anderes tun, und dies als etwas betrachten, das sie tun werden, wenn sie erwachsen sind, wenn sie mehr Reife haben, vielleicht wenn sie von einer KI unterstützt werden. Aber das wird nicht passieren, weil das Konzept defekt ist. Als deskriptive Statistik ist es in Ordnung, als Grundlage für Unternehmensentscheidungen jedoch völlig unbrauchbar.
Conor Doherty: Also, ich musste das in einen Rahmen setzen. Wenn das Argument lautet – und korrigiere mich, falls ich falsch liege –, dass es Unternehmen gibt, die diese Richtlinien und Kennzahlen haben, während die Praktiker sie einfach ignorieren, und es gibt einige Unternehmen, die wirklich, wirklich erfolgreich sind, sagst du damit, dass sie durch reines Glück und den Instinkt der Praktiker, die einfach ihre Finger in die Luft stecken, raten und zufällig richtig liegen, so erfolgreich sind?
Joannes Vermorel: Nein, ich sage nur, dass viele dieser Probleme – solange man keinen völlig defekten Ansatz verwendet – auch grobe Lösungen hervorbringen können, die dennoch funktionieren. Siehst du, die Fähigkeiten, die nötig sind, um einen lokalen Lebensmittelladen ordnungsgemäß zu führen, erfordern keinen PhD von Stanford. Das kann man mit viel weniger schaffen. Man kann sogar schrittweise herausfinden, was funktioniert und was nicht.
Was ich damit sage, ist, dass diese Unternehmen erfolgreich sein können – offensichtlich nicht dank der supply chain Theorie. Sie haben Mitarbeiter mit etwas Erfahrung, die einige numerische Rezepte entdeckt haben, die einfach irgendwie funktionieren. Sie funktionieren ziemlich gut. Der Beweis dafür, dass diese Theorie nicht funktioniert, ist, dass all diese großen Unternehmen versucht haben, die Prozesse viele Male zu automatisieren – praktisch einmal alle fünf Jahre in den letzten drei Jahrzehnten – und es ist jedes Mal gescheitert. Die Leute sind jedes Mal zu Tabellenkalkulationen zurückgekehrt.
Warum gehst du zur Tabellenkalkulation? Die Sicherheitsbestandformel ist super unkompliziert. Lagerentscheidungen so zu steuern, dass sie den Service-Level-Zielen entsprechen, ist in Bezug auf das Codieren super unkompliziert. Das ist ein Kinderspiel – wir sprechen hier von insgesamt 50 Zeilen Code, vielleicht weniger. Also, wenn es funktioniert hätte, wäre es bereits implementiert und die Arbeit all dieser Leute wäre schon automatisiert.
Mein Argument ist, dass es das nicht ist, es ist bei weitem nicht automatisiert, weil diese Paradigmen defekt sind und deshalb nicht als solche automatisiert werden können. Was diese Tabellenkalkulationen, die von supply chain Praktikern genutzt werden, enthalten, sind alternative Methoden, die in der Regel relativ einfach sind, zufällig funktionieren, aber konzeptionell weder mit Sicherheitsbeständen noch mit Service-Levels kompatibel sind.
Conor Doherty: Nun, welche praktischen Strategien denkst du, dass supply chain Praktiker nun anwenden können, um wirtschaftlich fundiertere supply chain Entscheidungen zu treffen?
Joannes Vermorel: Also, wenn wir versuchen, auf KI zurückzugreifen, ist die Sache die, dass man die Illusion aufgeben muss, dass die Konzepte, die man kennt – die einem in der Schule oder von einer supply chain Vereinigung vermittelt wurden – einfach dysfunktional sind. Wenn man versucht, anspruchsvolle Instrumente einzubringen, vielleicht generative KI oder deep learning oder Blockchain oder was auch immer einem einfällt, wird das einfach nicht funktionieren.
Der erste Schritt besteht also darin anzuerkennen, dass man ein paradigmatisches Problem hat. Es ist ein großes Wort, einfach zu sagen, dass wir diese völlig falsche Theorie haben. Es stellte sich heraus, dass das, was wir fast instinktiv gemacht haben, in gewisser Weise der bessere Weg ist. Wenn man es wirklich auf ausgefallene Weise machen will, kann man versuchen, diesen wirtschaftlichen Instinkt zu formalisieren, der im Grunde besagt: Tu nichts, was dem Unternehmen extrem schadet und mit hohen Kosten verbunden ist. Das ist nur die formalere Art, dasselbe zu sagen.
Dann, vielleicht, sobald man die richtige Perspektive hat, kann man die ausgefallenen Technologien einbringen – und das ist im Grunde das, was Lokad tut. Aber letztlich beginnt alles damit, das Problem richtig einzugrenzen mit einer Perspektive, die Sinn macht. Solange man in einer dysfunktionalen bzw. dummen Perspektive feststeckt, ist es irrelevant, ein Virtuose in Technologie zu sein. Das ist der traurige Teil. Deshalb kann ich mit relativer Sicherheit sagen, dass diese KI-Anbieter scheitern werden. Es spielt keine Rolle, ob sie talentiert sind oder nicht, ob ihre Technik sehr gut oder sehr schlecht ist, billig oder unverschämt teuer. All das ist völlig unerheblich. Es wird nicht funktionieren, weil die Grundlagen, auf denen sie arbeiten, gebrochen sind.
Conor Doherty: Gut, Joannes, danke. Ich habe keine weiteren Fragen, aber ich werde jetzt zu einigen Fragen aus dem Publikum übergehen. Vielen Dank. Also, in keiner bestimmten Reihenfolge, unter Bezugnahme auf die vier Beweise, eure vier Methoden: RFPs, Zeitreihen, Sicherheitsbestände und Service-Levels. Wenn diese Praktiken den Unternehmen so schlecht dienen, was hindert deiner Meinung nach die Management-Teams daran, sie einfach abzuschaffen?
Joannes Vermorel: In großen Unternehmen ist es schwierig, irgendetwas zu ändern, aber es gibt eine Art von Veränderungen, die noch schwieriger sind. Als Faustregel habe ich in jedem Unternehmen – unabhängig von der Größe – festgestellt, dass das Entfernen von etwas, sagen wir, zwei Größenordnungen, also 100-mal schwieriger ist als das Hinzufügen von Dingen. Einen neuen Prozess hinzuzufügen ist einfach, eine neue Position anzulegen ist einfach, ein neues Softwarestück einzuführen ist einfach.
Irgendwas zu entfernen ist sehr schwierig, besonders in Frankreich. Aber überall – du weißt schon – können wir darüber scherzen, dass Frankreich die Banque de France hat, eine Institution, die sich der Verwaltung einer Währung widmet, die es seit 1992 nicht mehr gibt. Wir haben eine Anti-Institution, die sich der Verwaltung einer Währung widmet, die seit 30 Jahren nicht existiert. Und übrigens, in Paris sind es rund 14.000 Mitarbeiter. Aber sieh, was im großen Maßstab in staatlichen Einrichtungen passiert, geschieht in großen Unternehmen in kleinerem Maßstab. Bürokratien neigen dazu, von selbst zu wachsen – das ist das Parkinsonsche Gesetz.
Die Frage lautet also: Warum entfernt das Management nicht die Dinge, die nicht funktionieren? Tatsache ist, dass die Leute bereits etwas anderes tun. Die offizielle Unternehmenspolitik lautet, dass jeder Sicherheitsbestände verwendet. In Wirklichkeit gibt es so viele manuelle Überschreibungen, die durch Tabellenkalkulationen gesteuert werden, dass das Unternehmen effektiv etwas völlig Anderes nutzt. Das ist die Sachlage. Wir haben das Schauspiel, das immer noch vorführt, dass das Unternehmen von Sicherheitsbeständen getrieben wird. Ich sage: Nun, du weißt ja, dass dieser Sicherheitsbestand immer noch ein wichtiges Merkmal der supply chain des Unternehmens sei. Ist er aber nicht. Letztlich würde das Management sagen: Was habe ich davon, offiziell zu machen, dass es keine Sicherheitsbestände mehr gibt? Letztlich ändert das nichts, weil die Leute es sowieso nicht verwenden.
Also, das ist in etwa dasselbe. Sobald du ein Reporting für den Service-Level hast, macht das eigentlich keinen Sinn. Der kurzfristige Nutzen, dies zu entfernen, ist begrenzt. Langfristig jedoch sind die Vorteile enorm, weil es den Weg ebnet, etwas zu tun, das tatsächlich viel sinnvoller ist. Aber kurzfristig gibt es nur begrenzte Vorteile. Noch einmal: Hinzufügen von Dingen ist viel einfacher.
Wenn wir auf KI zurückkommen, erklärt das auch, warum so viel Eifer besteht, KI-Technologien einzuführen. Es ist rein additiv. Wir fügen eine weitere Klasse von Dingen in die Organisation ein, und das ist sehr schön und einfach, im Gegensatz dazu, zu sagen, wir entfernen eine Klasse von Dingen, die lediglich im Weg stehen, um das Unternehmen effizienter, profitabler zu machen und die Kunden besser zu bedienen. Es ist für einen Manager viel schwieriger zu sagen: Ich werde einfach Leute streichen, und dann werden die Dinge besser funktionieren.
Stell dir nur vor, was bei Elon Musk und Twitter passiert ist, als er sagte: „Ich habe gerade 80 % des Personals entlassen“, und Twitter – jetzt X – ist flüssiger als je zuvor. Es hat mehr Nutzer als je zuvor, und insgesamt wurden tonnenweise Funktionen hinzugefügt, die das vorherige Team, das fünfmal so groß war, in den vergangenen Jahrzehnten nicht hätte umsetzen können. Das zeigt die Kraft des Wegnehmens von Dingen, aber es ist extrem schwierig. Es ist wirklich, wirklich schwierig. Deshalb würde ich sagen, dass sich diese Dinge nicht ändern, weil das Entfernen von irgendetwas extrem schwierig ist, selbst wenn es von entscheidender Bedeutung wäre.
Conor Doherty: Danke. Nächste Frage, sie ist sehr gut formuliert. Angesichts deiner historisch schonungslosen Ablehnung menschlicher Überschreibungen, hältst du das für ein Beispiel für natürliche Dummheit?
Joannes Vermorel: Menschliche Überschreibungen. Ich meine, das kommt darauf an. Wenn wir eine numerische Anleitung überschreiben, die völlig unsinnig ist, ist das gut. Was ich sagen will, ist, dass es noch verrückter wird, wenn man in Situationen gerät, in denen deine numerischen Anleitungen unsinnig sind.
Conor Doherty: Wenn du von numerischen Anleitungen sprichst.
Joannes Vermorel: Es ist das, was deine supply chain Entscheidungen berechnet – wie viel du bestellen solltest, wie viel du produzieren solltest, wo du den Bestand zuweisen solltest und so weiter.
Also, wenn du numerische Anleitungen hast, die unsinnig sind, ist es völlig normal, diese verrückten Ausgaben der Entscheidungen manuell zu überschreiben. Und was dann passiert, ist, dass am Ende viele Leute in der Organisation ihren ganzen Tag damit verbringen, Entscheidungen zu überschreiben. Meiner Meinung nach ist das notwendig, denn andernfalls würde das Unternehmen aufgrund dieser völlig unsinnigen Entscheidungen einfach gegen eine Wand laufen.
Jetzt kommt es dazu, dass Bürokratien immer wachsen. Das ist das Parkinsonsche Gesetz. Bürokratien wachsen. Wenn du Leute hast, die ihren ganzen Tag damit verbringen, numerische Entscheidungen manuell zu überschreiben, wirst du auch Leute haben, die ihren ganzen Tag damit verbringen, numerische Artefakte schrittweise zu überschreiben. Aber was ist ein Artefakt? Ein Artefakt ist einfach etwas, das in deinem System existiert, wie ein Service-Level, eine Prognose, eine Tagesprognose, eine Monatsprognose, ein Budget oder was auch immer.
Etwas, womit du herumspielen kannst. Diese Zahl hat keine greifbare Auswirkung auf dein Geschäft. Sie könnte einen negativen Effekt haben, wenn Entscheidungen von diesem Artefakt abgeleitet würden, vielleicht. Aber sehr häufig haben Entscheidungen keinerlei Einfluss auf Artefakte. Betrachte es also einfach als Herumspielen mit KPIs und Ähnlichem. Es wird unbedeutend sein – außer vielleicht in den Augen des Managements, weil du eine Zahl hast, die besser aussieht.
Aber nochmals, Bürokratien wachsen. Du hast mit einer Situation begonnen, in der Leute notwendige Entscheidungen manuell überschrieben haben. Und jetzt wächst die Bürokratie. Es gibt viele Menschen, die Artefakte überschreiben – numerische Artefakte, also Dinge, die keine Bedeutung haben. Das sind Leute, die mit ABC-Klassen herumspielen, mit Service-Levels, mit Koeffizienten für Sicherheitsbestände, mit Saisonalität Koeffizienten usw. Die Liste ist endlos.
Und was ich sagen möchte, ist, dass diese numerischen Überschreibungen völlig verrückt und nutzlos sind. Und übrigens, der Ansatz von Lokad – und deshalb erwähnten die Leute, dass ich sehr ablehnend sei – lautet, dass, wenn du eine sinnvolle numerische Anleitung hast, es keinerlei Notwendigkeit für manuelle Überschreibungen geben sollte. Wenn du deine Ergebnisse manuell überschreiben musst, dann liegt das daran, dass deine numerische Anleitung verrückt ist. Ich spreche von einer Entscheidung. Wenn die Entscheidung also verrückt ist, musst du die numerische Anleitung so lange verbessern, bis keine einzige Zeile mehr verrückt ist.
Solange deine numerische Anleitung verrückte Entscheidungen produziert, musst du sie kontinuierlich weiterentwickeln – ohne Ausnahme. Und deshalb sind wir bei Lokad übrigens generell sehr ablehnend gegenüber diesen manuellen Überschreibungen. Das Überschreiben von Entscheidungen spiegelt lediglich wider, dass du eine schlechte numerische Anleitung hast. Und das Überschreiben numerischer Artefakte zeigt nur den bürokratischen Papierkram, der von vornherein völlig sinnlos ist und vollständig eliminiert werden könnte, ohne dass sich etwas für das Unternehmen ändert.
Conor Doherty: Ja, es behandelt die Symptome und nicht die Ursache.
Joannes Vermorel: Im Grunde ja, genau. Und außerdem, wieder im Interesse von Bürokratien handelnd – das ist wiederum das Parkinsonsche Gesetz. Bürokratien neigen dazu zu wachsen. Wenn du also die Anzahl der Sachbearbeiter, die diese manuellen Überschreibungen durchführen, um den Faktor 10 erhöhst, wirst du 10-mal so viele Aktualisierungen dieser Werte haben. Das wird deine supply chain nicht verbessern.
Conor Doherty: Nun, das ist für mich ausreichend. Danke. Nächste Frage. Sie hat zwei Teile: Wie haben ERP Systeme das Problem verschlimmert und warum können sie keine probabilistischen Prognosen verarbeiten? Du hast zuvor nur implizit auf probabilistische Prognosen eingegangen, aber erkläre das gern näher.
Joannes Vermorel: Ich würde sagen, dass ERPs das Problem verschlimmert haben, hauptsächlich dank Marktforschern, indem sie die Situation sehr verwirrend gemacht haben. Zunächst einmal: Bei einem ERP gibt es kein P in ERP. Es steht für Enterprise Resource Management. Planung ist nicht involviert. Was du hast, ist ein transaktionales System. Es dient lediglich der Abwicklung eines Transaktionsflusses. Es ist sozusagen das elektronische Gegenstück zu deinem physischen Fluss. Und das ist gut. Es gibt dir die elektronische Darstellung dessen, was physisch in deiner supply chain passiert. Das ist gut.
Jetzt ist das Problem, dass Planung plötzlich – also das nenne ich ein System von Aufzeichnungen – auf einmal in das Gebiet der Systeme der Intelligenz und Entscheidungsfindung vordringt. Warum haben ERPs die Situation verschlimmert? Weil Anbieter sehr schnell, gegen Ende der 90er, erkannten, dass Systeme von Aufzeichnungen, auch bekannt als CRUD-Apps (Create, Read, Update, Delete), bereits standardisiert waren. Das war schon vor 20 Jahren der Fall.
Heutzutage ist es noch viel wahnsinnig stärker standardisiert. Und übrigens, wenn du eine echte Anwendung von generativer KI als Produktivitätswerkzeug haben möchtest, ist es hervorragend, Code für CRUD-Apps zu schreiben. Mit ChatGPT kannst du jetzt buchstäblich Apps schreiben, die ERP-ähnlich und super, super schnell sind, weil diese Dinge einfach sind. Es gibt jede Menge Boilerplate – du hast tonnenweise davon. Es ist unglaublich repetitiv. Es ist nicht wie gehobene Ingenieurskunst.
Also, solche Dinge als Produktivitätswerkzeuge – KI – funktionieren unglaublich gut im Umgang mit ERM, also Enterprise Resource Management. Kehren wir nun zu dieser verworrenen Situation zurück: Was du von deinen Computersystemen erwartest, um mit einem System intelligenter Entscheidungsfindung umzugehen, unterscheidet sich völlig von dem, was du von einem System von Aufzeichnungen erwartest. Ein Beispiel ist, wie viele Millisekunden du dir leisten kannst, dein System mit etwas zu beschäftigen. Wenn es ein System von Aufzeichnungen ist, beträgt die Antwort weniger als eine Millisekunde. Was auch immer du tust, es sollte innerhalb einer Millisekunde abgeschlossen sein.
Warum? Weil dein System, dein ERM, sagen wir, auf eine zentralisierte Datenbank angewiesen ist, und diese eine gemeinsame Ressource für jeden und jeden einzelnen Prozess in deinem Unternehmen darstellt. Also konvergiert alles zu dieser einen Datenbank. Wenn du diese Datenbank für eine Millisekunde einfrierst, bedeutet das, dass sich alles andere um eine Millisekunde verzögert. Du würdest sagen: „Oh, eine Millisekunde ist nichts.“ Ja, aber jetzt machen das 500 Leute. Okay, es sind nicht 500, es sind nun 500 Millisekunden Verzögerung, die spürbar werden.
Was aber, wenn einige dieser Anfragen deinen relationalen Kern einfrieren? Ich vereinfache hier ein wenig. Dann landest du plötzlich mit einem System, das sehr, sehr langsam ist. Plötzlich kann das Scannen eines Barcodes mehrere Sekunden dauern, bis das System registriert, was du gerade getan hast. Und genau deshalb beklagen sich viele Unternehmen: „Oh, mein ERP-System ist so langsam.“ Die Antwort lautet stets: Es ist langsam, weil du Dinge in dieses System eingebracht hast, die du nicht hättest einbringen sollen.
Das ERM, also Enterprise Resource Management, sollte sich nur mit Dingen befassen, die in sub-Millisekunden-Zeit berechnet werden können – also super, super einfach. Wenn du etwas tust, das nicht extrem einfach ist, bedeutet das, dass du dein System einfrieren wirst. Du wirst Ressourcen in Anspruch nehmen, die dein System für eine messbare Zeitspanne einfrieren. Und wenn genügend Leute das tun – und weißt du was, wir sprechen hier von großen Unternehmen, mit so vielen, vielen Prozessen, vielen Menschen – wird dein System unglaublich langsam. Und genau deshalb sind ERPs heutzutage immer noch genauso langsam wie vor 20 Jahren. Obwohl wir in puncto Rechenleistung Computer haben, die mindestens tausendmal schneller sind. Die Antwort lautet: Warum ist es immer noch so langsam? Es liegt daran, dass sich ein Gleichgewicht einstellt.
Wenn etwas das ERP so stark verlangsamt, dass es mehrere Sekunden dauert, bis andere Nutzer eine Reaktion vom System erhalten, wird die IT-Abteilung es einfach abschalten und verhindern. Und das siehst du. Sie fungieren also als die Polizei des ERP-Verbrauchs. Und wenn jemand zu exzessiv agiert, greift die IT irgendwann ein und verhindert, dass diese Person oder diese Software der Rest von uns mit allzu vielen Problemen belastet. So entsteht ein Gleichgewicht, das sich in einen Zustand einstellt, in dem es zwar langsam, aber erträglich ist. Deshalb sind die meisten ERPs superlangsam, aber nicht so langsam, dass es unerträglich wäre. Denn wenn man in das unerträgliche Gebiet vordringt, greift die IT ein und schaltet das System ab.
Also, wir kommen zurück zu den Systemen der Intelligenz. Im Gegenteil: Wenn du darüber nachdenkst, wie du eine Ladenauffüllung durchführen solltest, wirst du dir jahrelange Verkaufshistorie anschauen. Du möchtest beobachten, was bei Tausenden, möglicherweise Zehntausenden von Kunden passiert. Es ist offensichtlich etwas, das mit einer großen Datenmenge arbeitet – etwas, in das man gern etwas mehr als nur eine Millisekunde Rechenzeit investieren würde. Rechnen ist günstig.
Das Problem ist, dass, wenn du ein ERM besitzt, deine Ressourcen im ganzen Unternehmen geteilt werden. Deshalb möchtest du ein System der Intelligenz außerhalb des ERM haben, das so viel Zeit in Anspruch nehmen kann, wie nötig ist, um diese ausgeklügelten Berechnungen durchzuführen. Kehren wir zur Ausgangsfrage zurück: Systeme der Aufzeichnungen müssen transaktionale Vorgänge und sehr einfache Regelwerke verarbeiten.
Die probabilistische Prognose ist das Paradebeispiel für etwas, das du nicht in deinem System der Aufzeichnungen haben möchtest. Sobald man von probabilistischer Vorhersage spricht, diskutieren wir Wahrscheinlichkeitsverteilungen. Diese Objekte sind speicherintensiv – es wird eine Menge Platz benötigt, um all diese Wahrscheinlichkeiten abzulegen. Man kann in vielerlei Hinsicht sehr clever sein, aber seien wir ehrlich: Im Vergleich zu den Rohdaten, die du hast, wird dadurch offensichtlich ein erheblicher Overhead eingeführt. Du dehnst deine Daten quasi auf, um all diese Wahrscheinlichkeiten zu bewerten.
Grundsätzlich hast du also etwas, das per Design sehr mächtig sein könnte – aber prinzipiell nicht in Echtzeit arbeitet. Wenn du mit ausgeklügelten probabilistischen Bewertungen beginnst, bewegst du dich jenseits des Bereichs von Echtzeitberechnungen. Du möchtest etwas, bei dem du Gigabytes an Speicher zuweisen und, um es mal verrückt zu sagen, Sekunden für Berechnungen aufwenden kannst. Das ist in Ordnung. Die meisten supply chain-Entscheidungen können sich ein paar Sekunden Verzögerung leisten – aber nicht dein ERP.
Conor Doherty: Nun, nochmals, um an diesem Punkt der Systeme der Intelligenz und der fehlenden Notwendigkeit von Echtzeitberechnungen – je nachdem, was du eigentlich berechnen möchtest – anzuknüpfen: Wenn du das Beispiel einer Lagerbestandsauffüllungsbestellung nimmst, sprich über einen Laden oder einen Kunden, sagen wir 300 Läden und, um runde Zahlen zu verwenden, 50.000 SKUs, dann spricht man von 10 bis 12 Stunden – sozusagen einer Verarbeitung über Nacht –, um zu diesen Entscheidungen zu gelangen, im Gegensatz zu dem System der Aufzeichnungen, das schlicht…
Joannes Vermorel: Ja, aber du möchtest deine Berechnungen typischerweise unter – bei Lokad machen wir es in 60 Minuten – halten, wenngleich aus einem völlig anderen Grund. Theoretisch könntest du also eine Berechnung haben, die 10 Stunden dauert. In der Praxis ist das aber eine sehr schlechte Idee, denn wenn deine Berechnung in der Mitte abstürzt und du von vorne beginnen musst, verursachst du operative Probleme.
Du möchtest deine Berechnungen so kurz wie möglich halten, damit, falls du sie wiederholen musst, noch genügend Zeit bleibt. Und der zweite Grund – der sogar noch wichtiger ist – lautet: Diese Berechnung wird beim ersten Mal nicht perfekt klappen. Wie gesagt: Solange ein numerisches Rezept unsinnige Ergebnisse liefert, musst du es abändern und aktualisieren, bis du ein Rezept hast, das keinerlei absurde Entscheidungen hervorruft – das heißt, es erfordert viele Iterationen.
Wenn du etwas hast, bei dem die Berechnung in weniger als 60 Minuten abgeschlossen ist, bedeutet das, dass ein Ingenieur vielleicht fünf, sechs Iterationen pro Tag durchführen kann. Dauert sie hingegen 10 Stunden, kommt vielleicht nur eine Iteration pro Tag zustande. Du brauchst also unbedingt etwas, das es einem Ingenieur ermöglicht, viele Iterationen am Tag durchzuführen. Und häufig versuchen wir bei Lokad im Designmodus, wenn wir ein neues numerisches Rezept erarbeiten, die Rechenzeit auf nur wenige Minuten zu reduzieren – sodass wir buchstäblich Dutzende von Iterationen pro Tag realisieren können.
Conor Doherty: Es gibt jedoch Beispiele, etwa wenn man vom Einzelhandel zu etwas wie der Luft- und Raumfahrt wechselt. Da gibt es Fälle, in denen du möchtest, dass die Entscheidungen in wenigen Minuten statt erst nach einer Stunde generiert werden. 60 Minuten könnten finanziell katastrophal sein. Es soll also nicht heißen, dass 60 Minuten die schnellste Lösung sind – es hängt vielmehr vom Kontext des jeweiligen Sektors ab.
Joannes Vermorel: Absolut. Aber du musst auch bedenken, dass zwischen einer Millisekunde – deinem angestrebten Leistungsziel in einem ERP – und einer Minute fast fünf Größenordnungen liegen. Das ist sehr unterschiedlich. Das ist buchstäblich mehr als 10.000 Mal mehr, was bedeutet, dass du Dinge ganz anders angehen kannst.
Wenn du in unter einer Millisekunde arbeiten möchtest, ist das extrem schwierig. Viele Dinge sind schlichtweg nicht möglich. Selbst die Lichtgeschwindigkeit ist relativ langsam – wenn du von Prozessen sprichst, die in unter einer Millisekunde ablaufen, legt das Licht nur etwa 300 Kilometer zurück. Das mag viel klingen, aber betrachtet man die Hin- und Herwege, entspricht eine Millisekunde buchstäblich der Strecke, die das Licht zurücklegt. Du kommst also kaum an mehr als 150 Kilometer, wenn du hin und zurück musst.
Wie du siehst, handelt es sich um ein Tempo, bei dem jegliche Netzwerkkommunikation plötzlich keine Rolle mehr spielt. Wenn du an sub-millisekündliche Leistungen gebunden bist, ist jegliche Art von Netzwerkkommunikation nicht zulässig. Selbst das Laden von Daten von einer rotierenden Festplatte ist praktisch ausgeschlossen. Eine magnetische Scheibe hat beispielsweise eine Latenz von etwa 10 Millisekunden – das Laden von Daten von einer Festplatte kommt also gar nicht in Frage.
Mit einer SSD, also einem Solid-State-Drive, kannst du das zwar tun, aber auch dort wirst du nur wenige Zugriffe durchführen können – vielleicht nur einige wenige. Was ich sagen möchte, ist, dass es einen enormen Unterschied gibt zwischen dem, was in einer Millisekunde möglich ist, und dem, was in einer Minute machbar ist. Im Hinblick auf das Computerdesign ist das völlig anders. Hast du eine Minute Zeit, kannst du viele Netzwerkaufrufe tätigen, eine Menge ausgeklügelter Berechnungen durchführen und große Datenmengen laden – es ist wesentlich einfacher zu konstruieren.
Conor Doherty: Nun, Joannes, vielen Dank. Es gibt keine weiteren Fragen. Vielen Dank für deine Zeit. Wir waren etwa anderthalb Stunden hier, also gebe ich dir eine Minute für einen abschließenden Gedanken. Möchtest du noch etwas sagen, bevor wir gehen?
Joannes Vermorel: Nein, ich möchte allen, die sich mit KI-Prozessen für ihre supply chain beschäftigen, viel mentale Stärke wünschen, denn – nun ja – diese Prozesse werden scheitern. Es tut mir sehr leid. Es tut mir wirklich leid, Leute. So ist es einfach. Nehmt es nicht persönlich. Ich meine, daran könnt ihr Trost finden: Eure Fähigkeiten sind irrelevant, wisst ihr? Und übrigens – die Fähigkeiten eures Anbieters sind an diesem Punkt ebenfalls irrelevant. Es spielt also keine Rolle, ob ihr gut oder schlecht seid. So könnt ihr, wenn ihr dem Scheitern entgegenblickt, nicht allzu negativ über euch denken. Nehmt es nicht zu persönlich. Das Scheitern war garantiert – es war von Anfang an zum Scheitern verurteilt.
Conor Doherty: Ja, okay. Mit dieser fröhlichen und festlichen Note, Joannes, danke ich dir vielmals für deine Zeit und euch allen fürs Zuschauen. Wir sehen uns 2025.
