Warum KI-Initiativen in der Supply Chain scheitern - Ep 168

00:00:00 Einführung und Klärung des Themas
00:02:55 Unternehmen überdenken alte Ansätze mit KI
00:04:28 Versagen intelligenter Ingenieure in der Supply Chain
00:05:44 Lokads automatische Website-Übersetzung mit LLMs
00:09:15 Die vier Hauptbeweise für das Scheitern
00:12:24 Warum Angebotsaufforderungen dysfunktional sind
00:21:28 Warum Zeitreihen dysfunktional sind
00:32:47 Warum Sicherheitsbestände dysfunktional sind
00:50:04 Warum Servicelevel dysfunktional sind
01:09:59 Fragen des Publikums
01:32:15 Schlussgedanken

Zusammenfassung

In einer kürzlichen Folge von LokadTV diskutierten Conor Doherty und Joannes Vermorel die inhärenten Mängel im Mainstream-Supply Chain Management, insbesondere die übermäßige Abhängigkeit von KI. Vermorel kritisierte langjährige Praktiken wie Angebotsaufforderungen, Zeitreihenprognosen, Sicherheitsbeständeformeln und Servicelevel, und argumentierte, dass sie veraltet und wirtschaftlich unsinnig sind. Er betonte, dass KI diese tief verwurzelten Probleme nicht beheben kann, da sie noch nicht über menschenähnliche Intelligenz verfügt. Vermorel schlug vor, dass praktische, erfahrungsbasierte Anpassungen von Praktikern oft diese fehlerhaften Methoden ausgleichen. Das Gespräch endete mit einer Fragerunde, die die Herausforderung der Beseitigung eingefahrener Prozesse in großen Unternehmen hervorhob.

Erweiterte Zusammenfassung

In einer kürzlichen Folge von LokadTV führte Conor Doherty, Direktor für Kommunikation bei Lokad, ein nachdenkliches Gespräch mit Joannes Vermorel, CEO und Gründer von Lokad, über die Fallstricke von KI-Initiativen im Supply Chain Management. Das Gespräch, das in Lokads neuem Studio stattfand, drehte sich um Vermorels Behauptung, dass Mainstream-Supply-Chain-Ansätze, insbesondere solche, die KI beinhalten, grundsätzlich fehlerhaft und wahrscheinlich zum Scheitern verurteilt sind.

Vermorel begann damit, die langjährigen Praktiken im Supply Chain Management zu kritisieren, die seiner Meinung nach seit den späten 1970er Jahren stagnieren. Er argumentierte, dass die bloße Hinzufügung von KI zu diesen veralteten Methoden keine Lösung, sondern vielmehr ein sinnloses Unterfangen ist. Vermorel betonte, dass die Misserfolge vergangener Supply-Chain-Initiativen, selbst solche, die von hochintelligenten Ingenieuren geleitet wurden, als Warnung vor der übermäßigen Abhängigkeit von KI dienen sollten.

Conor Doherty forderte Vermorel heraus, indem er darauf hinwies, dass viele KI als Allheilmittel für Supply-Chain-Probleme betrachten. Vermorel antwortete, indem er die Grenzen von KI hervorhob und das Beispiel von ChatGPT verwendete. Er erklärte, dass es unrealistisch ist zu erwarten, dass KI, die noch nicht über menschenähnliche Intelligenz verfügt, diese Probleme lösen kann, wenn hochintelligente Ingenieure daran gescheitert sind. Er betonte, dass KI Kosten senken und die Effizienz in Bereichen verbessern kann, in denen Lösungen bereits bekannt sind, aber sie kann grundlegend fehlerhafte Probleme nicht lösen.

Die Diskussion ging dann auf die Details ein, warum Vermorel der Meinung ist, dass die aktuellen Praktiken in der Supply Chain fehlgeleitet sind. Er identifizierte vier Schlüsselbereiche: Angebotsaufforderungen (RFPs), Zeitreihenprognosen, Sicherheitsbestandsformeln und Servicelevels. Vermorel argumentierte, dass RFPs, insbesondere für Unternehmenssoftware, dysfunktional sind, da sie ein Maß an Wissen und Spezifität voraussetzen, das unrealistisch ist. Er verglich den Prozess mit dem Verfassen einer detaillierten Spezifikation für ein Smartphone, ohne seine Komplexitäten zu verstehen, was zu einem Auswahlprozess führt, der oft die besten Anbieter disqualifiziert.

Zeitreihenprognosen sind laut Vermorel eine weitere fehlerhafte Praxis. Er erklärte, dass Zeitreihendaten irreführend sein können, da sie wichtige Nuancen nicht erfassen, wie zum Beispiel den Unterschied zwischen einem großen Kunden und vielen kleineren Kunden. Diese mangelnde Granularität kann zu schlechten Entscheidungen und erhöhtem Risiko führen.

Auch Sicherheitsbestandsformeln und Servicelevels wurden dafür kritisiert, dass sie nicht wirtschaftlich und zu einfach sind. 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 seine wirtschaftlichen Auswirkungen berücksichtigt, effektiver wäre.

Conor Doherty brachte den Punkt auf, dass viele Unternehmen trotz dieser fehlerhaften Methoden immer noch bedeutenden Erfolg erzielen. Vermorel erkannte dies an, schrieb es jedoch den praktischen, erfahrungsbasierten Anpassungen zu, die von den Praktikern vor Ort vorgenommen werden, anstatt den theoretischen Modellen, die im Supply Chain Management gelehrt werden. Er argumentierte, dass diese Praktiker oft auf Tabellenkalkulationen und manuelle Eingriffe angewiesen sind, um die Mängel der etablierten Methoden zu korrigieren.

Das Gespräch endete mit einer Fragerunde, in der Fragen des Publikums behandelt wurden. Vermorel betonte erneut, dass das Hauptproblem bei Veränderungen in großen Unternehmen die Schwierigkeit ist, eingefahrene Prozesse zu entfernen. Er betonte, dass es einfacher ist, neue Technologien wie KI hinzuzufügen, als veraltete Praktiken zu beseitigen, selbst wenn letztere zu besseren Ergebnissen führen würden.

Zusammenfassend ist Vermorels Perspektive, dass die aktuellen gängigen Praktiken in der Supply Chain grundlegend fehlerhaft sind und dass KI, während sie in bestimmten Kontexten nützlich ist, diese tief verwurzelten Probleme nicht beheben kann. Er plädiert für einen wirtschaftlich fundierteren Ansatz, der das gesamte System und seine Komplexitäten berücksichtigt, anstatt sich auf vereinfachte und veraltete Kennzahlen zu verlassen.

Vollständiges Transkript

Conor Doherty: Herzlich willkommen bei LokadTV, das heute live aus unserem wirklich schönen neuen Studio sendet. Wir schließen das Jahr 2024 mit einem harmlosen und humorvollen Thema ab, basierend auf seiner Diskussion bei SCT Tech. Joannes Vermorel, zu meiner unmittelbaren Linken, wird seine Perspektive erläutern, warum KI-Initiativen in der Supply Chain wahrscheinlich zum Scheitern verurteilt sind. Fühlen Sie sich frei, Ihre Fragen im Livestream jederzeit zu stellen, und wir werden später darauf eingehen. Während Sie hier sind, abonnieren Sie den YouTube-Kanal und folgen Sie uns auf LinkedIn.

Und noch eine letzte organisatorische Angelegenheit, bevor wir darüber sprechen, wie viel klüger wir sind als alle anderen. Es wäre unhöflich, die Anstrengungen vieler Menschen zu übersehen, um das Studio, das Sie hier sehen, so schön zu gestalten. Von den Bildschirmen hinter mir bis zu den Mikrofonen vor Joannes und mir ist alles das Ergebnis harter Arbeit bei Lokad, insbesondere von Maxime Larrieu hinter der Kamera dort drüben und Baptiste Grison. Vielen Dank euch beiden für eure Bemühungen. Und damit frage ich dich, Joannes, warum sind die Menschen so dumm?

Joannes Vermorel: Im Allgemeinen denke ich, dass es der Fluch der menschlichen Spezies ist, mich eingeschlossen. Aber tatsächlich wollte ich mit diesem spielerischen Titel nur darauf aufmerksam machen, dass der gängige Ansatz in der Supply Chain in den letzten vier Jahrzehnten weitgehend dysfunktional war. Es war sozusagen eine Sackgasse in Bezug auf Technologien und Praktiken. Was Unternehmen heutzutage tun, hat sich konzeptionell seit den späten 70er Jahren kaum verändert. Es sind die gleichen numerischen Rezepte, die gleichen Ideen, und es funktioniert nicht besonders gut.

Die Idee, dass man die Dinge einfach so übernehmen kann, wie sie sind, und ein wenig magisches KI-Pulver darauf streut und plötzlich verschwinden diese Probleme, halte ich für Wahnsinn oder, um im Titel zu bleiben, Dummheit. Nochmals, ich denke nicht, dass die Menschen Ende der 70er Jahre dumm waren, das auszuprobieren. Ich sage nur, dass nach vier Jahrzehnten aufeinanderfolgender Misserfolge das Nicht-Lernen aus vergangenen Fehlern der Beginn von Dummheit ist. Wenn ich Unternehmen sehe, die versuchen, mit generativer KI ihre Ansätze und Prozesse in ihrer Supply Chain zu überdenken, brauche ich nicht abzuwarten, wie sich die Dinge entwickeln werden. Ich weiß bereits, dass es einfach nicht funktionieren wird. Es wird nur eine große Zeit-, Energie- und Geldverschwendung sein.

Conor Doherty: Aber viele Menschen betrachten KI tatsächlich als eine Art Allheilmittel für Supply-Chain-Initiativen. Als ob alles, was kaputt oder fehlerhaft ist oder auf falschen Annahmen beruht, durch die Einführung von Gen-AI behoben wird. Du sagst also grundsätzlich, dass das ein falscher Ansatz ist?

Joannes Vermorel: Absolut. Lassen Sie uns für einen Moment innehalten. Stellen Sie sich vor, ChatGPT wäre so intelligent wie ein Ingenieur vom MIT. Hervorragend, wir haben jetzt künstliche allgemeine Intelligenz. Es stellt sich heraus, dass viele Wettbewerber von Lokad in den letzten vier Jahrzehnten genau das getan haben. Sie nehmen Ingenieure vom MIT, geben ihnen große Supply-Chain-Projekte und das Ziel ist es, Tabellenkalkulationen zu eliminieren, Entscheidungen zu automatisieren. Sie sind sehr klug und man gibt ihnen Budget und Zeit, und dennoch sind sie gescheitert.

Diese Misserfolge sind nicht außergewöhnlich. So ziemlich jedes Unternehmen, von dem ich weiß, dass es einen Umsatz von über einer Milliarde Dollar hat und älter als 20 Jahre ist, hat wahrscheinlich drei oder vier gescheiterte Supply-Chain-Initiativen hinter sich. Initiativen, die darauf abzielten, Tabellenkalkulationen durch die Einführung intelligenterer, viel stärker integrierter numerischer Rezepte zu eliminieren, und sie sind gescheitert. Nun stellt sich die Frage, wenn Sie mit sehr intelligenten Ingenieuren gescheitert sind, warum glauben Sie, dass es mit etwas, das eine minderwertige Intelligenz ist, denn seien wir ehrlich, ChatGPT hat noch nicht das Niveau der menschlichen Intelligenz erreicht, erfolgreich sein wird?

Die Automatisierung von Intelligenz hat den Vorteil der Kostenersparnis. Zum Beispiel haben wir bei Lokad die Übersetzung unserer Website automatisiert. Wenn Sie sich die Lokad.com-Website ansehen, ist sie in vielen Sprachen verfügbar. Ein Jahrzehnt lang haben wir das mit professionellen Übersetzern gemacht. Jetzt wird es automatisch mit großen Sprachmodellen gemacht. Hervorragend. Was wir gespart haben, ist eine Kostenfrage, aber grundsätzlich war es ein Problem, das wir bereits manuell mit Menschen lösen konnten. KI hat kein unlösbares Problem gelöst, nämlich die Übersetzung. Es hat uns nur ermöglicht, das billiger und schneller zu tun, was großartig ist.

Aber wenn wir jetzt zum ursprünglichen Problem zurückkehren, nämlich der Supply Chain predictive optimization, und all Ihre vorherigen Versuche gescheitert sind, obwohl Sie sehr kluge Ingenieure zur Verfügung hatten, warum glauben Sie dann, dass weniger geniale und etwas ausgefallenere Instrumente wirklich einen Unterschied machen würden?

Conor Doherty: Was Sie gerade angesprochen haben, führt zu dieser Frage: Wenn Sie den Begriff “Stupidität” verwenden, möchte ich das etwas genauer erklären. Ich weiß, dass es absichtlich provokativ war, aber selbst dann, wenn Sie über Unternehmen sprechen, die Entscheidungen auf fehlerhaften Annahmen basieren, und wir werden auf Details eingehen, aber wenn Sie Dinge sagen wie Unternehmen, die wiederholt Fehler machen, ist das eine Form von Fehler. Vielleicht könnten Sie das großzügig unter Stupidität einordnen. Es gibt auch eine Alternative, nämlich Ignoranz. Ignoranz ist neutral.

Stupidität, dumm, Idiot - diese Begriffe stammen ursprünglich aus der psychiatrischen Literatur und beziehen sich auf kognitive Beeinträchtigungen. Sie haben eine sehr spezifische Bedeutung. Ignoranz ist neutral. Sie und ich haben an einem schlechten Tag einen IQ von 180, aber wir sind beide in vielen Dingen unwissend. Ich weiß nichts über Botanik, ich weiß nichts darüber, wie Schnürsenkel hergestellt werden, aber ich bin nicht dumm. Mir fehlt nicht die neurologische Infrastruktur, um diese Dinge zu lernen; ich habe einfach nicht die Zeit oder den Zugang zu den Informationen. Also, zu der Frage, Sie haben Unternehmen, die schlechte Entscheidungen treffen, die zu schrecklichen oder suboptimalen Ergebnissen führen, und dann haben Sie Unternehmen, die tatsächlich nichts von der Existenz alternativer Paradigmen wissen. Sehen Sie das als zwei faire Darstellungen des Problems oder sehen Sie es einfach als Menschen, die dumm sind und Fehler machen?

Joannes Vermorel: Ja, das ist eine faire Darstellung des Problems, was uns zum Fall führt, worum es genau geht. Wenn wir uns die Details anschauen, können wir entscheiden, ob wir von Stupidität oder Ignoranz sprechen. Mein Vorschlag für heute ist, dass es so offensichtlich ist, wenn wir uns die Details anschauen, dass es eindeutig ist, dass es Ignoranz ist.

Conor Doherty: Lassen Sie uns tatsächlich auf die Details eingehen. Sie haben vier Schlüsselbeweise oder vier Möglichkeiten, um zu zeigen, was Sie als das Problem entweder natürlicher Stupidität oder natürlicher Ignoranz im Hinblick auf unternehmerische Entscheidungsfindung betrachten. Es handelt sich um RFPs, Zeitreihenprognosen, Sicherheitsbestandsformeln und Servicelevel. Wir werden systematisch auf jeden einzelnen eingehen, aber auf höchster Ebene, was ist es an diesen vier Konzepten, die Ihrer Meinung nach Ihre Position demonstrieren?

Joannes Vermorel: Ich habe vier ausgewählt, aber es könnten auch 20 sein. Zumindest vier wichtige Bestandteile der gängigen Supply-Chain-Theorie und -Praxis. Diese sind wichtige Bestandteile, die Sie wahrscheinlich in 90% der großen Unternehmen finden können. Bei kleineren Unternehmen variiert es sehr, aber diese Praktiken neigen dazu, bei größeren Unternehmen ziemlich einheitlich zu sein. Aufgrund der Tatsache, dass sie sehr weit verbreitet sind, können wir uns diese Praktiken anschauen und die Frage stellen: Macht das überhaupt Sinn? Brauche ich einen MIT-PhD, um zu erkennen, dass es völliger Unsinn ist oder nicht?

Wenn Sie innerhalb einer Minute durch sorgfältige Prüfung erkennen können, dass es völliger Unsinn ist, befinden wir uns definitiv im Bereich der Stupidität. Wenn die einzige Möglichkeit, zu erkennen, dass Sie im Irrtum sind, darin besteht, ein sehr ausgeklügeltes Experiment durchzuführen, das viel Finanzierung und Zeit erfordert, handelt es sich hierbei eher um einen Fehler in der Kategorie Ignoranz.

Conor Doherty: Wie gesagt, nehmen wir sie systematisch durch. Der erste Beweis in Ihrem Argument ist das Vorhandensein von RFPs. Nun, ich nehme an, dass dies ein Sammelbegriff für Angebotsaufforderungen, Angebotsanfragen, Informationsanfragen usw. ist. Ist das alles?

Joannes Vermorel: Ja, und zwar speziell für Unternehmenssoftware, die der Optimierung der Supply Chain gewidmet ist. Wir können darüber diskutieren… Ich diskutiere nicht darüber, ob RFP der richtige Weg ist, um Massenpapier oder eine Art offensichtliches Superprodukt zu beschaffen. Der Kontext ist die Supply Chain, ja. Und genauer gesagt, wenn Sie Barcode-Drucker für Ihre Supply Chain haben möchten, geht es nicht darum. Ich spreche speziell darüber, was auch immer Sie beschaffen möchten, um Ihren Entscheidungsprozess zu unterstützen. Mit Supply Chain meine ich das. Ich meine nicht Logistik, ich meine nicht die Einstellung von LKW-Fahrern. Ich meine die Entscheidungsprozesse, die den Fluss steuern. Also alle Details, was kaufen Sie, was produzieren Sie, zu welchem Preis verkaufen Sie, wo lagern Sie Ihren Bestand, all das.

Conor Doherty: Okay, dann werfe ich es sofort zurück zu Ihnen. Was ist falsch daran, den RFP-Prozess zu nutzen, um einen Anbieter zu beschaffen?

Joannes Vermorel: RFPs sind völlig dysfunktional. Wenn Sie eine Vorstellung davon bekommen möchten, wie ein RFP aussieht, stellen Sie sich einfach vor, Sie müssten in einem Word-Dokument alle Dinge auflisten, die Sie von Ihrem Smartphone erwarten. Das ist völliger Unsinn. Sie wissen es nicht. Es hat unzählige Funktionen. Die meisten Funktionen Ihres Smartphones funktionieren aufgrund vieler Dinge, von denen Sie nichts wissen. Nur die Auflistung all dieser Funktionen ist eine enorme Arbeit, und wenn Sie auflisten würden, was Sie denken, dass Ihr Smartphone kann, würden Sie höchstwahrscheinlich viele Dinge falsch machen.

Stellen Sie sich vor, Sie haben Hunderte von Punkten, die Sie abdecken müssen, und wie hoch ist die Wahrscheinlichkeit, dass Sie durch die Erstellung dieser Hunderte von Seiten mit Anforderungen für Ihr Smartphone ein Dokument erhalten, das sowohl Samsung als auch Apple disqualifiziert? Höchstwahrscheinlich werden Sie das.

Unternehmenssoftware ist äußerst komplex, und diese Komplexität spiegelt hauptsächlich das Problem wider, das Sie lösen möchten. Die Optimierung der Supply Chain ist selbst sehr komplex und ziemlich kompliziert, daher können Sie keine super einfache Antwort erwarten. Sie kaufen kein Eisen in Tonnen oder Rohöl. Sie kaufen etwas sehr anspruchsvolles, und das bedeutet, dass es keine Anbieter gibt, die sich gegenseitig ersetzen können. Es gibt keine direkte Übereinstimmung zwischen dem, was Anbieter X im Vergleich zu Anbieter Y anbietet.

Das Problem bei RFPs besteht darin, dass davon ausgegangen wird, dass Sie Ihre Lösung bereits genau kennen, dass Sie eine vollständige Spezifikation haben und dann angeblich eine große Anzahl von Anbietern in Ihre Liste der Anforderungen aufnehmen möchten. Software funktioniert einfach nicht so. Die Entwicklung einer guten Software dauert etwa ein Jahrzehnt, mehr oder weniger. Kein Anbieter wird seine Technologie radikal an Ihr RFP anpassen. Sie leiten alle durch Hunderte von Seiten Unsinn.

Der Prozess ergibt so wenig Sinn, dass wir in der Regel, wenn wir RFPs erhalten, etwa 400 bis 600 Fragen haben, und diese Fragen sind voller Rechtschreibfehler. Sehr häufig ist sogar der Name des Kundenunternehmens selbst im Dokument falsch geschrieben, weil sich niemand um die Fragen selbst kümmern konnte. Es wurde an Praktikanten, Berater oder wen auch immer delegiert. Sie produzieren eine enorme Menge an Papierkram, und niemand weiß überhaupt, was die Hälfte der Fragen bedeutet, weil sie so schlecht formuliert sind. Die meisten Fragen sind nicht einmal Fragen, sondern versteckte Anforderungen.

Dann antwortet der Anbieter mit Dutzenden, möglicherweise Hunderten von Seiten mit Antworten, die niemand liest. Es gibt ein Komitee, das in Stufen vorgeht, und die Vorstellung, dass aus diesem völlig irrationalen Prozess eine rationale Entscheidung hervorgeht, ist einfach unglaublich. Es gibt nichts im wirklichen Leben, bei dem Sie als Einzelperson an einem solch wahnsinnigen Prozess teilnehmen würden. Warum glauben Sie, dass plötzlich, nur weil Sie für ein großes Unternehmen tätig sind, das, was in Ihrem täglichen Leben völlig verrückt erscheinen würde, plötzlich Sinn ergibt, nur weil es die Praxis eines großen Unternehmens ist? Tut es nicht.

Conor Doherty: Nun gut, da gibt es einige Punkte zu klären, denn da steckt viel drin. Zunächst einmal, richtet sich Ihre Kritik gegen… Oh, Entschuldigung, lassen Sie mich zurückgehen. Ich habe einige der von Ihnen erwähnten RFPs gesehen. Ich habe einige Beispiele gesehen wie “Haben Sie immer noch ein Faxgerät? Bewahren Sie Ihre Faxberichte in feuerfesten Schränken auf?” Ich meine, ich habe solche Dinge gesehen. Natürlich ist das völlig unsinnig. Das ist der aktuelle Zustand eines RFPs. Sagen Sie, dass das Konzept von RFPs im Allgemeinen, unabhängig von einer schlechten Umsetzung, einfach eine völlig wahnsinnige Sache ist, um nach einer Software zu suchen? Und wenn die Antwort darauf ja lautet, erklären Sie bitte, was die Alternative wäre.

Joannes Vermorel: Nein, die Idee, Marktforschung zu betreiben, ist nicht wahnsinnig. Offensichtlich müssen Sie, wenn Sie einen Anbieter auswählen möchten, etwas Marktforschung betreiben. Die Idee, dass Sie sich durch die etablierten Praktiken von RFI und RFPs bewegen müssen, ist jedoch 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 auf damit und fast alles andere wird besser sein. Alles, was nicht noch bürokratischer ist. Meiner Meinung nach würden diese großen Unternehmen besser bedient, wenn sie einfach einen informellen Prozess hätten, und das war’s. Wenn Sie die Idee einer überlegenen Version des Prozesses in Betracht ziehen möchten, gibt es auch einen alternativen Weg. Dies wird in einem meiner Vorträge zur adversarialen Marktforschung diskutiert, in dem ich einen besseren Weg skizziere, dies zu tun. Aber selbst ohne Kenntnis dieses besseren Weges wäre es bereits eine Verbesserung, diesen unsinnigen Prozess zu entfernen.

Einen super bürokratischen Prozess zu haben, ist keine gute Sache. Es ist eine schreckliche Sache. Es verlangsamt alles, verdünnt die Verantwortung aller und selektiert Anbieter nachteilig aus. Stellen Sie sich noch einmal Apple vor. Glauben Sie wirklich, dass Apple, wenn Sie ein RFP für sie erstellen, Ihnen tatsächlich Aufmerksamkeit schenken wird? Werden sie ihr kostbares iPhone ändern, um Ihren Unternehmensanforderungen gerecht zu werden? Nein, werden sie nicht. Was Sie effektiv tun, ist, dass die guten Anbieter von sich aus von Ihrer Marktforschung aussteigen, was völlig unsinnig ist. Das ist das Gegenteil von dem, was Sie wollen.

Meiner Meinung nach, wenn Sie etwas wie Krebs haben, entfernen Sie den Krebs und fragen Sie sich nicht, “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 diskutieren, was noch besser sein könnte, was an seine Stelle gesetzt werden könnte, aber die erste Stufe besteht darin, anzuerkennen, dass Sie die Situation verbessern, wenn Sie den Krebs entfernen.

Leider, und das ist der Punkt der bürokratischen Dummheit, wird oft gedacht, dass die einzige Alternative zu einem bürokratischen Albtraum ein anderer bürokratischer Albtraum ist. Das ist völliger Unsinn. In 15 Jahren Geschäftstätigkeit habe ich noch nie ein RFP gesehen, das nicht zutiefst, zutiefst dysfunktional war. Es gibt nur Variationen zwischen den Kreisen der Hölle. Einige RFPs sind wie der fünfte Kreis der Hölle, andere wie der neunte Kreis der Hölle. Es gibt nur Variationen in Bezug auf die Alptraumintensität, aber ansonsten ist es durchweg super, super schlecht.

Conor Doherty: Das war Thomas Sowell und Dante Alighieri in 60 Sekunden. Sehr gut. Nun, das führt tatsächlich zum ersten Punkt, nämlich zu RFPs und der Kritik an RFPs und RFQs usw. So könnte man also einen KI-Anbieter auswählen.

Joannes Vermorel: Genau.

Conor Doherty: Wenn ich die Frage noch beenden darf, denn ich mache gerade einen Übergang. Der zweite Punkt ist jedoch, sobald Sie einen KI-Anbieter ausgewählt haben, geht es um Zeitreihenprognosen, die Sie als zweiten Beweis dafür anführen, warum Ihre KI-Initiative scheitern wird. Das ist also, nachdem Sie bereits einen Anbieter ausgewählt haben. Was ist das Problem mit Zeitreihen?

Joannes Vermorel: Also, wenn Sie erst einmal… Zuerst werden Sie höchstwahrscheinlich aufgrund Ihrer RFP einen sehr schlechten Anbieter auswählen. Das ist klar. Sie haben einen Prozess, der überhaupt keinen Sinn ergibt, also werden Sie höchstwahrscheinlich einen dieser schlechtesten Anbieter auswählen, die sich darauf spezialisiert haben, alles zu tun, was diese RFPs verlangen, egal wie unsinnig es ist. Sie befinden sich bereits in einer Position, in der das Scheitern fast garantiert ist, selbst wenn der Anbieter nicht zu dysfunktional ist. Aber Sie haben bereits den dysfunktionalen Anbieter ausgewählt. Das bringt mich nun zu Zeitreihen.

Zeitreihen sind das Alpha und Omega der modernen, mainstream Supply-Chain-Perspektive. Was ist eine Zeitreihe? Es ist einfach eine Reihe von Punkten entsprechend eines bestimmten Zeitraums. Das kann ein Wert pro Tag, pro Woche oder pro Monat sein. Wenn ich von der Zeitreihenperspektive spreche, bedeutet das, dass Sie alles durch Ihre Verkäufe oder Ihren Fluss pro Tag, pro Woche, pro Monat aggregiert betrachten. Alles passt irgendwie zu diesen Zeitreihen.

Offensichtlich möchten Sie laut der mainstream Supply-Chain-Theorie mit diesen Zeitreihen Zeitreihenprognosen haben, also die Fortsetzung dieser Zeitreihen in die Zukunft. Wenn Sie Ihre Verkaufsdaten bis heute haben, möchten Sie die Prognose haben, die einfach diese Zeitreihen in die Zukunft fortsetzt. Sie haben also die Menge an Verkäufen morgen, übermorgen usw.

Conor Doherty: Was ist falsch daran, wenn man eine handlungsorientierte Datenpunkt erhält, um zum Beispiel die Nachfrage für nächste Woche zu planen, die 10 Einheiten beträgt? Das klingt doch großartig.

Joannes Vermorel: Das Hauptproblem ist, dass Ihre Supply Chain nicht sinnvoll mit Zeitreihen dargestellt werden kann. Und was bedeutet das?

Fangen wir mit einer sehr grundlegenden Situation an. Sie haben ein Produkt, das konstant mit 1.000 Einheiten pro Tag verkauft wird. Es wurde in den letzten drei Jahren konstant mit 1.000 Einheiten pro Tag verkauft. Sehr schön. Okay, wie sieht die Zukunft aus? Nun, ich werde zwei verschiedene Situationen betrachten, die die gleiche Vergangenheit haben. Situation Nummer eins: Sie haben tausend verschiedene Kunden, und sie bestellen ab und zu ein Produkt. Insgesamt geben Ihnen diese 1.000 Kunden 1.000 Einheiten pro Tag. Einige Kunden gehen, einige Kunden kommen, aber es ist sehr stabil. Das erzeugt also die Zeitreihe. Was sagt Ihnen das? Es sagt Ihnen, dass Sie eine sehr stabile Nachfrage haben, die ziemlich robust aussieht. Tausend Kunden sind nicht Millionen, aber es ist auch nicht null, also sieht das gut aus.

Nun, die zweite Situation ist, dass Sie 1.000 Einheiten pro Tag von einem einzigen Kunden haben. Ja, dieser Kunde hat in den letzten Jahren konstant 1.000 Einheiten pro Tag bestellt, aber es ist nur ein Kunde. Nun, wie hoch ist die Wahrscheinlichkeit, dass die Nachfrage morgen auf null sinkt und für immer null bleibt? Offensichtlich würde ich aus der ersten Perspektive, in der Sie tausend Kunden haben, nicht sagen, dass es unmöglich ist, aber es ist sehr unwahrscheinlich. Selbst wenn Sie ein katastrophales Ereignis hätten, das Ihrer Marke schadet, würden die meisten Kunden das nicht einmal bemerken. Selbst wenn Sie einen massiven Fall von Betrug hätten, hätten Sie immer noch Hunderte von Kunden, die monatelang nichts davon erfahren. Die Wahrscheinlichkeit, dass all diese Kunden in perfekter Koordination am selben Tag aufhören, bei Ihnen zu kaufen, ist also nicht unmöglich, aber sehr, sehr gering. Wir reden wahrscheinlich von einer Wahrscheinlichkeit von eins zu einer Million. Es ist selten.

Nun, im Gegensatz dazu, wenn wir nur einen Kunden haben, reicht es aus, dass ein einziger Manager beschließt, einen anderen Lieferanten zu wählen, und schwups, Sie haben null. Wenn Sie sagen, dass Sie diesen treuen Kunden einmal in einem Jahrzehnt oder so verlieren werden, sprechen wir von einer Wahrscheinlichkeit von 0,1%. Es ist nicht eins zu einer Million; es sind mehrere Größenordnungen mehr. Das ist immer noch unwahrscheinlich, aber im Vergleich zu der ersten Situation ist es etwas, das höchstwahrscheinlich in ein paar Jahren passieren wird. Mit genügend Zeit, etwa einem Jahrzehnt, ist es fast garantiert, dass es passieren wird. Hier beschreibe ich nur zwei sehr grundlegende Situationen, die die gleiche Zeitreihendarstellung haben. Das ist das Kernproblem: Zeitreihen sind vereinfacht. Sie können mehrere Situationen haben, die völlig unterschiedlich sind und dennoch die gleiche Zeitreihe haben.

Conor Doherty: Und das ist wichtig. Warum?

Joannes Vermorel: Weil Ihre Entscheidungen sehr unterschiedlich sind. Wenn Sie tausend Kunden haben, können Sie mit dem Lagerbestand sehr konservativ sein. Sie können zum Beispiel sagen: “Oh, wir werden viele Monate Lagerbestand haben, weil es in Ordnung ist. Wenn wir einige Kunden verlieren, werden wir die Produktion anpassen, damit wir nicht auf einen großen Überschuss an Lagerbestand stoßen. Selbst wenn wir Kunden verlieren, werden wir immer noch Zeit haben, den Lagerbestand abzubauen.” Im Gegensatz dazu bedeutet, wenn Sie nur einen Kunden haben, dass Ihr Lagerbestand über Nacht zu totem Lagerbestand wird, wenn dieser Kunde aufhört zu kaufen. Alles, was Ihnen bleibt, 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 Entscheidungen erfordern. Deshalb sage ich, dass Zeitreihen verrückt sind. Die Hypothese ist, dass Sie, wenn Sie alles als Zeitreihen darstellen, was genau das ist, was die Mainstream-Supply Chain tut, vernünftige Entscheidungen treffen können. Was ich sage, ist nein, das können Sie nicht. Sie können es nicht, weil Zeitreihen es Ihnen nicht ermöglichen, einige grundlegende Informationen über Ihre Aktivität zu erfassen. Sie sind einfach blind. Es spielt keine Rolle, ob Sie mehr Zeitreihen haben. Wir kommen wieder zu diesem einen Kunden gegenüber 1.000 Kunden zurück. Es spielt keine Rolle, ob Sie mehr Zeitreihen haben; Sie sind immer noch mit der Tatsache konfrontiert, dass es eine schlechte Darstellung Ihrer Daten ist. Es ist eine sehr vereinfachte Darstellung Ihrer Daten.

Conor Doherty: Entschuldigung, nur um sicherzugehen, dass es für jeden verständlich ist, worauf Sie hinauswollen, aus Sicht des Risikomanagements müssen Sie unterschiedliche Ansätze in Bezug auf die finanzielle Zuweisung haben, weil Ihr Risiko unterschiedlich ist.

Joannes Vermorel: Es ist sehr unterschiedlich. Wenn wir uns wieder verderbliche Artikel in einem Geschäft ansehen, können Zeitreihen Ihren Lagerbestand im Laufe der Zeit darstellen. Also, wie viele Einheiten haben Sie im Geschäft auf Lager, sagen wir, Joghurts? Aber die Realität ist, dass Ihre Produkte verderblich sind und ein Verfallsdatum haben. Betrachten wir noch einmal, Sie haben 10 Einheiten auf Lager. Das ist eine Perspektive der Zeitreihen. Am Vortag hatten Sie 11 Einheiten, egal. Sie haben Ihren Lagerbestand fortlaufend. Das ist eine Darstellung als Zeitreihe. Jetzt denken Sie: “Ich habe 10 Einheiten auf Lager. Ist das gut oder nicht gut? Ist das genug oder nicht?”

Betrachten wir zwei Situationen. Situation A: Die 10 Joghurts, die Sie auf Lager haben, laufen in einem Monat ab. Das ist gut. Jemand, der in das Geschäft kommt, wird Joghurts mit einem Monat Haltbarkeit finden. 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 zu holen, die morgen ablaufen. Vielleicht kauft ein Kunde einen für den Verzehr am nächsten Tag, aber eine Mutter, die Lebensmittel für eine Familie einkauft und Dinge für die Woche organisieren möchte, wird keine Joghurts kaufen, die morgen ablaufen werden.

Also, unter derselben Darstellung, 10 Einheiten heute, was ein Lagerbestand ist, fehlt Ihnen ein sehr wichtiger Informationsbaustein, nämlich die Zusammensetzung der Verfallsdaten. Wenn Sie ein Softwaresystem haben, das vollständig um diese Idee von Zeitreihen herum entwickelt wurde, wird dieses System diese Informationen immer ignorieren, weil das System das nicht einmal sehen kann. Es ist nicht Teil des Zeitreihenparadigmas.

Conor Doherty: Und noch einmal, um es für jeden Hörer ganz deutlich zu machen, zu sagen: “Okay, ich höre das alles, ich verstehe, was du sagst, ich verstehe die Beispiele. Wie beeinflusst das KI? Wie passt KI in dieses Bild?” Selbst wenn Sie Zeitreihen oder probabilistische Vorhersagen verwenden.

Joannes Vermorel: Wenn Sie ein Paradigma haben, bei dem die Schlüsselinformationen verloren gehen, das ist bei Zeitreihen der Fall, spielt es keine Rolle, ob die Person, die sich die Zeitreihen ansieht, eine KI oder ein sehr kluger Ingenieur oder wer auch immer ist. Die Schlüsselinformationen sind bereits verloren. Wenn Sie Ihre Verkaufsdaten durch die Brille der Zeitreihen betrachten, können Sie nicht sehen, ob es sich um einen Kunden oder viele Kunden handelt. Sie können die Verfallsdaten nicht sehen. Es gibt viele Dinge, die Sie einfach nicht sehen. Wenn Sie nicht sehen, ob es sich um eine KI, einen klugen Ingenieur oder ein Programm handelt, das einige Regeln anwendet, sind die zentralen Informationen, die Sie benötigen würden, bereits verloren gegangen. Es spielt keine Rolle, wie viel Technologie Sie auf dieses Paradigma stapeln.

Conor Doherty: Nun gut, gehen wir ein wenig weiter. Wir haben die ersten beiden Möglichkeiten behandelt: RFPs und Zeitreihen. Die dritte und vierte können möglicherweise als Metriken zusammengefasst werden, nämlich Sicherheitsbestände und Servicelevel. Wenn wir diese getrennt oder zusammen diskutieren, was ist Ihr Einwand dagegen? Denn diese sind ziemlich üblich. Die meisten Unternehmen haben ziemlich strenge Richtlinien für Sicherheitsbestände und Servicelevel.

Joannes Vermorel: Das Problem mit Sicherheitsbeständen ist, dass man davon ausgeht, dass man eine Zeitreihennachfrageprognose hat und dass die Nachfrage normalverteilt ist, dass die Durchlaufzeiten normalverteilt sind und dass man dann sein Servicelevel festlegt. Das gibt einem die Zielmenge an Lagerbestand, die man vorrätig halten möchte, und das nennt man Sicherheitsbestand. Das ist es, was Sicherheitsbestand wirklich ist.

Technisch gesehen hat man den Arbeitsbestand, der dem durchschnittlichen Bedarf entspricht, und dann kommt der Sicherheitsbestand als zusätzlicher Bestandteil hinzu. Aber das ist eine technische Einzelheit. Insgesamt würde die Summe aus Arbeitsbestand und Sicherheitsbestand die Zielmenge ergeben, die man halten möchte.

Was ist das Problem dabei? Das Problem besteht darin, dass dies der falsche Ansatz für das Bestandsmanagement ist. Das Ziel des Unternehmens ist es, Gewinne zu erzielen. Sicherheitsbestand ist eine nicht-ökonomische Perspektive bei diesen Entscheidungen. Was bedeutet das? Das bedeutet, dass es etwas ist, das nicht einmal den Versuch unternimmt, die Gewinne zu optimieren. Das Problem besteht darin, dass wir etwas haben, das nicht einmal versucht, die Gewinne zu optimieren. Warum glauben Sie, dass diese Sache gewinnbringend sein wird?

Wie optimiert man tatsächlich, um Gewinne zu erzielen? Nun, das ist sehr einfach. Sie betrachten, sagen wir, eine einfache Situation, einen Laden. Sie wählen die erste Einheit des Lagerbestands aus, die Ihren Ertrag maximiert. Ich wähle diese aus und lege sie in den Laden. Das ist es, was mir den höchsten Ertrag bringt. Ich wähle die erste Einheit aus, die das tut, und dann muss ich den Vorgang mit einer zweiten Einheit wiederholen, die den Ertrag maximiert. Da es sich um einen Laden handelt, wird die zweite Einheit, die ich wähle, höchstwahrscheinlich nicht dasselbe Produkt wie die erste Einheit sein.

Der Punkt ist, dass ich meine zusätzlichen Einheiten verteilen möchte, um mehr Bedarf abzudecken. Wenn ich Ihnen sage, dass Sie nur eine erste Einheit bestellen können, wählen Sie eine Einheit aus. Wenn ich Ihnen jetzt sage, dass Sie eine zweite Einheit auswählen können, möchten Sie höchstwahrscheinlich etwas anderes nehmen, denn Sie möchten Ihren Bedarf im Laden zumindest in Bezug auf die Abdeckung erhöhen. Wenn ich Ihnen sage, dass Sie eine dritte Einheit auswählen können, wählen Sie wieder etwas leicht unterschiedliches aus.

Der Punkt, den ich mache, ist, dass die Sicherheitsbestandsperspektive eine völlig nicht-ökonomische Perspektive annimmt. Sie betrachtet ein Produkt in einem Laden und entscheidet dann isoliert, ob Sie mehr oder weniger davon möchten. Ich sage, das ist Unsinn.

Noch einmal, schauen wir uns das an. Wenn Sie es manuell machen müssten, wären Sie in einem Lebensmittelgeschäft. Sie würden nicht isoliert darüber nachdenken, ob Sie mehr oder weniger von etwas brauchen. Es ist ein Kompromiss. Sie haben begrenzten Regalplatz, Sie haben eine begrenzte Menge Geld, also würden Sie sich fragen: “Habe ich genug davon? Sollte ich genug von diesem Produkt nachbestellen oder gibt es etwas anderes, das ich zuerst nachbestellen sollte?” So denken Sie in Bezug auf die Investitionsrendite. So können Sie in Bezug auf eine ökonomische Perspektive denken.

Was ich sage, ist, dass Sicherheitsbestand eine nicht-ökonomische Perspektive ist. Es ist eine mathematisch interessante Perspektive, zumindest aus bildungstechnischer Sicht, vielleicht um angewandten Mathematikstudenten eine kleine Übung zu geben oder so. Aber wenn wir zu einer realen Supply Chain kommen müssen, und noch einmal, ich nehme eine sehr einfache Situation wie einen Lebensmittelgeschäft, was so ziemlich das Einfachste ist, was man sich vorstellen kann, sehen wir, dass es eine nicht-ökonomische Perspektive ist. Also haben wir ein Problem, Houston. Diese Sache versucht nicht einmal, das Ergebnis meines Unternehmens zu verbessern. Das ist einfach falsch.

Die Alternative, die ich beschrieben habe, ist ziemlich einfach. Es geht darum, die Dinge auszuwählen, die mir den höchsten Gewinn bringen. Ich wähle die erste Einheit und dann die zweite Einheit usw. Wir können uns in die technischen Details darüber vertiefen, wie genau wir das machen, aber das sind technische Details. Meine Kritik am Sicherheitsbestand ist, dass er unmöglich ein vernünftiger Ansatz sein kann, weil er ein nicht-ökonomischer Ansatz ist. In der Praxis landet man sehr häufig in unsinnigen Situationen. Zum Beispiel berechnen Sie gemäß Ihren Sicherheitsbeständen alle Dinge, die Sie in Ihrem Geschäft platzieren sollten, und es passt nicht.

Was Sie sehen, ist, dass Sie damit in den Wahnsinn geraten. Sie enden damit, dass Ihnen Ihr Sicherheitsbestand sagt, dass all diese Produkte all diese Einheiten benötigen, und weil alles isoliert gemacht wird, haben Sie 5.000 Produkte, und für jedes einzelne Produkt erhalten Sie eine Menge. Wenn Sie die Summe all dieser Mengen bilden, passt es nicht.

Wenn wir zu Ihrer KI zurückkehren, was soll Ihre KI tun? Wieder sagt Ihr Paradigma, dass Sie Ihren Sicherheitsbestand berechnen. Ihre KI kann Ihnen vielleicht dabei helfen, den Sicherheitsbestand genauer zu berechnen. Ich bin mir nicht einmal sicher, wie genau das helfen würde. Aber die Realität ist, dass Sie ein Paradigma haben, das von vornherein fehlerhaft ist. Ihre KI wird, egal wie sie Ihren Sicherheitsbestand berechnet, immer noch mit diesen seltsamen Paradoxien enden. Was bedeutet das überhaupt, zu verbessern, wenn Sie eine nicht-ökonomische Perspektive haben? Ihre KI kann aus etwas, das keine wirtschaftliche Bedeutung hat, keine Bedeutung herbeizaubern.

Conor Doherty: Bevor wir uns mit Service Levels befassen, möchte ich noch auf einen Punkt eingehen, den Sie angesprochen haben. Sie haben Sicherheitsbestände als eine nicht-ökonomische Perspektive beschrieben. Das habe ich verstanden. Sie haben auch darüber gesprochen, SKUs isoliert zu betrachten, und das ist fehlerhaft. Nun, das Gegenteil ist vermutlich, die Dinge in Kombination zu betrachten. Könnten Sie das etwas genauer erläutern, diesen Punkt der Isolation versus Kombination?

Joannes Vermorel: Ja, ich meine, eine Supply Chain ist ein System. Das bedeutet, dass man die Teile nicht voneinander trennen kann, ohne ihre Natur zu verändern. Ein Produkt, das in einem Lebensmittelgeschäft auf einem Regal verkauft wird, ist nicht dasselbe, wenn ich dieses Produkt isoliert verkaufe. Die Leute erwarten, wenn sie in ein Lebensmittelgeschäft gehen, eine Auswahl an Produkten, nicht nur ein Produkt. Und das gilt für so ziemlich jede Supply Chain, die nicht trivial ist. Eine reale Supply Chain wird so sein. Wenn Sie Autos produzieren, müssen Sie all diese Teile zusammenbringen, um am Ende des Tages funktionierende Fahrzeuge zu haben. Sie können die Räder nicht entfernen und sagen, dass dies ein Auto ist. Ein Auto minus die Räder ist kein Auto; es ist einfach etwas anderes.

Grundsätzlich haben Sie Systeme, in denen Sie viele verschiedene Arten von physischen Gütern haben, und sie ergeben nur dann einen Sinn, wenn sie zusammengefügt werden. Das bedeutet natürlich nicht, dass ein Auto überhaupt nicht funktioniert, wenn Sie die Räder entfernen. In einem Geschäft können Sie entscheiden, dass Sie vielleicht keinen Senf im Regal haben möchten. Vielleicht sind die Kunden damit einverstanden, dass Sie keinen Senf haben, oder im Gegenteil, Sie müssen drei verschiedene Arten von Senf haben.

Es gibt natürlich viele Feinheiten, je nachdem, worauf Sie schauen. Es ist nichts, was schwarz und weiß ist. Aber grundsätzlich, wenn Sie anfangen, Senf in einem Lebensmittelgeschäft zu verkaufen, ergibt das nur in Bezug auf das, was Sie verkaufen, Sinn, was damit einhergeht. Was ich also sage, ist, dass Sie den Punkt verpassen, wenn Sie eine Perspektive annehmen, die diese Dinge isoliert betrachtet. Sie verpassen den Punkt, was das Geschäft attraktiv macht. Sie verpassen den Punkt der Dynamik, die stattfindet.

Die Leute kommen in Ihr Lebensmittelgeschäft und kaufen nicht nur einen Artikel. Einige Kunden können hereinkommen und einen Artikel kaufen, aber die meisten von ihnen werden einen Korb und viele Artikel haben. Also, was ich sage, ist, dass Sie mit dieser Sicherheitsbestandsperspektive eine sehr seltsame, super vereinfachte mathematische Perspektive übernehmen, die Ihre SKUs, Ihre Produkte, strikt voneinander isoliert. Selbst wenn Sie die einfachste Art von Lieferkette betrachten, die Sie sich vorstellen können, wie ein Lebensmittelgeschäft, ergibt es bereits keinen Sinn. Warum also denken Sie, dass es in etwas, das komplizierter ist, wie Luft- und Raumfahrt MRO oder etwas anderes, mehr Sinn ergibt?

Conor Doherty: Lokad hat dafür einen speziellen Begriff, wie die Korb-Perspektive. Ich glaube, wir haben vor ein paar Wochen oder vielleicht vor einem Monat eine Flash-Karte auf LinkedIn veröffentlicht, in der das beschrieben wird. Wie Sie gesagt haben, gehen die Leute normalerweise nicht in einen Supermarkt und kaufen nur eine Sache. Sie kaufen mit einer Liste im Kopf ein, und das Fehlen einer Sache kann zu Verlusten führen. Wenn die Leute mehrere Dinge kaufen, kommen sie herein und kaufen 10 Artikel, und der 11. Artikel, den sie wollten, war nicht da und es handelt sich um einen wichtigen Artikel, verlieren Sie nicht nur den Verkauf des 11. Artikels. Wenn die Person wegen des Fehlens des 11. wichtigen Artikels geht, verlieren Sie den gesamten Umsatz in diesem Korb. Es ist also die Korb-Perspektive. Es gibt eine Beziehung zwischen all diesen Dingen.

Joannes Vermorel: Ja, und das Ding ist, wenn wir zum Sicherheitsbestand und zur KI zurückkehren, sobald Sie Ihre Sicherheitsbestandsperspektive angenommen haben, spielt es keine Rolle, ob Ihre KI super intelligent oder super dumm, billig oder teuer ist oder was auch immer. Sie steckt bereits in einer Ecke, die ein schlechter Ort ist, an dem es keine Lösung geben wird. Deshalb sage ich, natürliche Dummheit schlägt immer künstliche Intelligenz. Es spielt keine Rolle, wie ausgefeilt die Technologie ist, wie zugänglich sie ist, wie wartbar sie ist. All das wird durch die Tatsache, dass Sie das Problem bereits auf unsinnige Weise formuliert haben, völlig irrelevant gemacht.

Conor Doherty: Ich stimme Ihnen zu. Ich stimme Ihnen da zu, aber was ich sagen würde, ist, dass das ein wirklich gutes Beispiel für den Unterschied ist, den ich vorhin 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 Beziehung zwischen Dingen, die nicht sofort klar sind.

Joannes Vermorel: Ich bin anderer Meinung. Immer wenn Sie mit jemandem diskutieren, der einen Laden betreibt und völlig ungebildet ist, wird er wissen, dass es keine Magie ist. Wir reden nicht von super fortgeschrittener Mathematik. Gehen Sie einfach zu jedem Ladenbesitzer, der das seit einer Woche macht, und er wird verstehen, dass die Sortimentsgestaltung wichtig ist. Sie können nicht über die richtige Menge an Lagerbestand für ein Produkt nachdenken, ohne alle anderen Dinge zu berücksichtigen.

Tatsächlich handelt es sich um eine Art sehr ausgeklügelte Absurdität, die einen Universitätsprofessor benötigt, um verbreitet zu werden. Es ist absurd, und die einzige Möglichkeit, diese Art von Idee erfolgreich zu fördern, besteht darin, in einer Umgebung zu sein, in der Sie vollständig vor den realen Konsequenzen dieser sehr schlechten Idee geschützt sind. Wenn Sie einen Laden verwalten würden, würden Sie nicht so denken. Sie können einen Test machen: Sprechen Sie einfach mit jedem in Ihrer Nachbarschaft, der irgendeine Art von Laden betreibt. Wenn sie so denken, tun sie es nicht. Wenn Sie mit der Person sprechen, die den Bestand verwaltet, die die Nachbestellung durchführt, wie bei kleinen Läden, werden sie offensichtlich im Ganzen denken.

Conor Doherty: Das ist tatsächlich ein guter Punkt. Es gibt eine Unterscheidung zu treffen, und ich würde gerne Ihre Meinung dazu hören. Der Unterschied zwischen riesigen Milliarden-Dollar-Konglomeraten mit unglaublich großen Lieferketten, die täglich Hunderttausende von Bestellungen aufgeben, und kleinen Läden wie dem von Joannes, wo Joannes jeden Tag sein eigenes Geld aus der Tasche nimmt, um diese Dinge zu kaufen.

Es erinnert mich an etwas, was Peter Cotton vor anderthalb Jahren gesagt hat, als wir mit ihm gesprochen haben. Er sagte, dass man sehr unterschiedliche Entscheidungen trifft, wenn es um das eigene Geld geht. Die Art und Weise, wie man das Problem betrachtet, ist sehr unterschiedlich, wenn man das Geld aus der eigenen Tasche nehmen muss. Also, ich bin nur neugierig, warum große Unternehmen schlechte Entscheidungen treffen, aber wenn Sie das Beispiel geben, einfach nebenan in einen Laden gehen.

Joannes Vermorel: Da liegt der Wahnsinn. Große Unternehmen treffen diese schlechten Entscheidungen nicht, weil sie, entgegen dem, was sie sagen, Sicherheitsbestände einhalten. Die von ihnen beschäftigten Menschen tun dies nicht. Da wird es verrückt. Wie sieht die tatsächliche Landschaft aus? Die Landschaft ist, dass es Universitätsprofessoren gibt, die sagen, dass man Sicherheitsbestände haben muss. Es gibt Lieferketten-Lehrbücher, die sagen, dass man Sicherheitsbestände haben muss. Es gibt KI-gesteuerte Lieferketten-Anbieter, die sagen, dass wir KI-gesteuerte Sicherheitsbestände haben. Großartig. Dann gibt es Unternehmen, die Sicherheitsbestands-Systeme haben, oder manchmal werden sie Puffer oder wie auch immer genannt. Es gibt verschiedene Varianten.

Am Ende des Tages haben Sie Lieferketten-Mitarbeiter wie Nachfrage- und Angebotsplaner, Kategorie-Manager, Bestandsmanager - die Titel variieren -, die ihre Tabellenkalkulationen verwenden, um etwas völlig anderes zu tun. Normalerweise ist die typische Reaktion, die ich bekomme, wenn ich mit diesen Leuten spreche, dass sie mir sagen: “Oh ja, die Sicherheitsbestände, sie sind Teil unseres Plans, sie zu verwenden. Nächstes Jahr, wenn wir genug Reife haben, werden wir sie wirklich verwenden. Aber im Moment haben wir so viele Probleme, dass wir etwas völlig anderes tun. Mit meinen Tabellenkalkulationen mache ich Dinge anders. Ich weiß, dass es ein Durcheinander ist, aber es funktioniert irgendwie. Mit mehr Schulung werde ich eines Tages in der Lage sein, Sicherheitsbestände zu verwenden.”

Das ist verrückt, denn die Realität ist, dass das, was diese Person tut, tatsächlich sinnvoll ist. Dieses alternative Rezept ist einfach das, was Sinn macht, und Sicherheitsbestände sind nur die Täuschung, die Umgebungstäuschung, die nicht funktioniert. Es funktioniert seit mindestens 1979 nicht mehr, wie von Russell Ackoff festgestellt. Das ist der Grund, warum Tabellenkalkulationen unter diesen Bedingungen niemals verschwinden können.

Immer wenn Sie sagen, dass Sie all diese chaotischen Tabellenkalkulationen durch Softwareautomatisierung ersetzen werden, scheitert es. Es scheitert, weil Sicherheitsbestände eine schlechte Idee sind. Es spielt keine Rolle, ob Sie KI-gesteuerte Sicherheitsbestände haben; es ist immer noch eine schlechte Idee. Es ist eine Idee, die so schlecht ist, dass sie nicht funktioniert. Große Unternehmen versuchen es, scheitern und kehren zu den Tabellenkalkulationen zurück. Die Leute kehren zur Einstellung zurück: “Ich mache es ein bisschen auf meine eigene Art. Wenn ich mehr Schulung bekomme, werde ich Sicherheitsbestände verwenden, aber im Moment brauche ich etwas, das tatsächlich funktioniert.”

Conor Doherty: In diesem Zusammenhang haben Sie ausführlich erklärt, wie Sicherheitsbestände fehlerhaft sind. Ich nehme an, dass dieselbe Kritik weitgehend auf Servicelevel zutrifft. Sie sind zwar nicht genau dasselbe, aber in Bezug auf Entscheidungsprozesse, welche Richtlinie setzen Sie um, um zu einer Entscheidung zu gelangen? Erklären Sie bitte, was Ihr Problem mit Serviceleveln ist.

Joannes Vermorel: Mein Problem mit Serviceleveln ist, dass Servicelevel ein extrem fehlerhafter Proxy für Servicequalität ist. Tatsächlich hat es fast nichts mit Servicequalität zu tun. Was Sie wollen, ist, Ihre Kunden gut zu bedienen. Das ist selbstverständlich, wenn Sie eine Lieferkette betreiben.

Nun, betrachten wir einen einfachen Einzelhandelsladen in der Modebranche. Was bedeutet es, hohe Servicelevel zu haben? Wenn Sie hohe Servicequalität mit Servicelevel gleichsetzen, bedeutet das, dass hohe Servicequalität hohe Servicelevel bedeutet. Wenn Sie sagen, dass Servicelevel ein guter Proxy für Servicequalität ist, dann bedeutet hohe Servicequalität hohe Servicelevel.

Wenn Sie einen Laden haben, der eine Kollektion für Ihre Modemarke verkauft, was bedeutet es, hohe Servicelevel zu haben? Das bedeutet effektiv, dass Sie bis zum Ende Ihrer Kollektion jedes Produkt, zumindest ein paar Einheiten, auf den Regalen haben. Wenn Sie hohe Servicelevel haben, bedeutet das, dass Ihr Laden bis zum Ende Ihrer Kollektion immer noch voller Ware ist. Wie bringen Sie die nächste Kollektion in Ihren Laden?

Sie müssen Platz schaffen, indem Sie die alte Kollektion gehen lassen, was bedeutet, dass für diese Produkte die Servicelevel auf null gehen. Kunden können trotzdem sehr zufrieden sein, obwohl Sie für viele Produkte einen Servicelevel von null haben. Wenn einige Produkte auslaufen, treten andere Produkte in Kraft und Ihre Kunden sind immer noch sehr zufrieden. Es besteht keinerlei Korrelation zwischen Servicequalität, die nur in den Augen des Kunden existiert, und dem, was Sie mit Ihrem numerischen Rezept messen, nämlich dem Servicelevel.

Wenn Servicelevel ein extrem schlechter Proxy für Servicequalität ist, warum glauben Sie dann, dass eine KI, die Ihre Servicelevel steuern soll, sinnvolle Dinge für Ihr Unternehmen tun wird? Genau wie meine Kritik an Sicherheitsbeständen ist dies keine wirtschaftliche Perspektive. Hier haben Sie ein Konzept, Servicelevel, das keine Perspektive der Servicequalität ist. Sie geben Ihrer KI ein Instrument, sodass Ihre KI mit diesem Instrument, dem Servicelevel, umgehen muss, aber es stellt sich heraus, dass dieses Instrument völlig unzureichend ist, um das Problem zu beantworten, nämlich die Servicequalität.

Conor Doherty: Sie haben ein paar schöne Formulierungen verwendet, eine davon war “Servicelevel sind ein extrem fehlerhafter Proxy für Servicequalität” und “Servicequalität existiert nur in den Augen der Kunden”. Aber das führt dann zu einer zweiteiligen Frage. Erstens, was ist ein guter Proxy? 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 damit an, Proxys zu betrachten. Lassen Sie uns einige Gedankenexperimente durchführen. Das ist eine Möglichkeit, die extrem schlechten auszusortieren. Wir müssen nicht einmal ein tatsächliches Experiment mit einem echten Laden durchführen; wir können es einfach als Gedankenexperiment machen. Das ist sehr kostengünstig. Also, das Erste ist, dass wir uns einig sein müssen, dass sich nichts ändert, wenn wir uns einen Laden mit denselben Produkten auf den Regalen ansehen. Was auch immer wir für Servicequalität halten, ändert sich nicht. Wenn ich mir denselben Laden, dieselben Produkte, dieselbe Zeit anschaue und nichts ändere, dann sollte das, was ich für die Servicequalität halte, sich nicht ändern.

Schauen wir uns das Servicelevel noch einmal an. Viele Unternehmen messen das Servicelevel, indem sie den Prozentsatz der Produkte nehmen, die nicht vorrätig oder vorrätig sind. Wenn Sie 97% Ihrer Produkte vorrätig haben, hätten Sie ein Servicelevel von 97%. Es gibt verschiedene Möglichkeiten, das Servicelevel durch Fehlbestände zu betrachten. Dies geschieht, wenn Sie eine Sicherheitsbestandsoptimierung durchführen, was eine etwas andere Perspektive ist. Aber hier ist dies die Art und Weise, wie viele Unternehmen mit dieser Art von Bericht arbeiten, also werde ich diese verwenden.

Stellen Sie sich nun konzeptionell vor, dass wir beschlossen haben, das Sortiment des Ladens zu verdoppeln. Also hatten wir einen Modegeschäft mit, sagen wir, 3.000 verschiedenen Artikeln. Nun sagen wir, dass dieser Laden 6.000 Artikel haben soll, aber im Laden haben wir immer noch genau dieselben 3.000 Artikel. Konzeptionell haben wir im Computersystem, das den Laden steuert, einfach das Sortiment als doppelt so groß mit mehr Varianten, mehr Farben, mehr Größen erklärt.

Haben wir aus Sicht der Kunden etwas geändert? Offensichtlich nein. Es ist immer noch derselbe Laden, dieselben Hosen in den Regalen, dieselben Farben, dieselben Größen. Nichts hat sich geändert. Aber im Computersystem haben wir die Bandbreite des berechtigten Sortiments verdoppelt. Dadurch haben wir das Servicelevel, wie es von Ihrem Computersystem gemessen wird, halbiert. Wir waren zum Beispiel bei einem Servicelevel von 97%, jetzt sind wir bei etwa 48%, und wir haben nichts im Laden geändert.

Deshalb sage ich durch Gedankenexperimente, wenn Sie einen Proxy haben, mit dem Sie Ihre Computersystemeinstellungen ändern können, ohne etwas im Laden zu ändern, können Sie beliebig große Veränderungen an Ihren Zahlen vornehmen, dann ist Ihr Proxy völliger Unsinn. Was auch immer Sie als Proxy für die Servicequalität verwenden möchten, sollte offensichtlich nicht von technischen Details in Ihren Computersystemen abhängen. Es wäre verrückt, wenn ein Physiker sagt: “Wie schwer ist diese Flasche?” und die Antwort davon abhängt, ob das Computersystem auf Russisch oder Französisch konfiguriert ist. Das ist einfach verrückt. Die Antwort ist offensichtlich völlig unabhängig. Oder stellen Sie sich vor, das Gewicht hängt davon ab, ob es sich um eine Linux-Maschine oder eine Windows-Maschine handelt. Verrückt. Sie betrachten also Eigenschaften, die völlig unabhängig von Ihrem Computersystem sein sollten.

Was ich mit dem Servicelevel gezeigt habe, ist, dass Sie durch Manipulation des Sortiments große Variationen im Servicelevel haben können. Dies ist eine Demonstration dafür, wie verrückt diese Maßnahme tatsächlich ist. Meine Meinung ist, dass wir bei der Qualität des Service wieder zur Idee zurückkehren, dass Sie, wenn Sie etwas haben, das grundsätzlich verrückt ist, ohne es auskommen sollten. Selbst wenn Sie keine Alternative haben, ist es wie ein Tumor; entfernen Sie den Tumor und Sie werden ohne ihn besser dran sein. Denken Sie noch nicht darüber nach, was Sie anstelle des Tumors setzen sollten.

Können wir tatsächlich hochwertige Messungen für die Servicequalität haben? Ja, das können wir. Dies ist eine völlig andere Diskussionsrichtung, und ich würde lieber nicht darauf eingehen. Aber Sie verstehen meinen Standpunkt. Sie können natürliche Dummheit nicht mit künstlicher Intelligenz überwinden. Egal wie ausgefeilt Ihre Techniken sind, wenn Ihre Prämisse sehr schlecht ist, wird sie das nicht lösen. Wenn Sie mit einem kaputten Konzept, einem kaputten Paradigma beginnen, spielt es keine Rolle, wie viel Instrumentierung Sie darauf setzen; Ihr Paradigma bleibt kaputt.

Conor Doherty: Ja, okay, das können wir akzeptieren. Aber die unmittelbare Reaktion darauf ist, wenn Sie sagen, dass diese Ideen dumm sind und die Paradigmen kaputt sind und sie nicht zu besseren Entscheidungen führen werden, ist die offensichtliche Reaktion eines CEOs, der sagt: “Wovon redest du? Ich habe im letzten Jahr 10 Milliarden Umsatz gemacht, indem ich Sicherheitsbestände verwendet habe, indem ich Servicelevel verwendet habe, indem ich RFPs verwendet habe, indem ich Zeitreihenprognosen verwendet habe.” Auch wenn es keine obere Grenze dafür gibt, wie viele Dinge gleichzeitig wahr sein können und Glück, als ob sie sich widersprechen, verstehen Sie sicherlich, dass für bestimmte Personen, die Aussage “du bist dumm, weil du diese Dinge tust” oder “du bist unwissend” oder “das sind schlechte Ideen”, oft einfach auf den Gewinn verweisen und sagen: “Aber schau, ich mache wirklich, wirklich gut. Wovon redest du?”

Joannes Vermorel: Lassen Sie uns von vorne beginnen. Modegeschäfte. Wir haben Kunden und im Laufe der Jahre haben wir mit Interessenten gesprochen, die zu Kunden wurden. Sie haben uns gesagt, dass sie Servicelevel optimieren. Das ist es, was sie sagen, und wenn Sie sich den Prozess ansehen, steht das auch im Prozess. Aber wenn Sie anfangen, sich anzusehen, was die Praktiker tun, stellen Sie fest, dass sie das nicht tun. Wir sind wieder bei Sicherheitsbeständen. Es stellt sich heraus, dass Geschäfte, wiederum ein Modegeschäft, wenn die nächste Kollektion kommt, plötzlich beschließen, dass sie nicht mehr so viel nachbestellen werden. Sie lassen die Servicelevel absichtlich enorm fallen. Dann, wenn es endlich Zeit für die neue Kollektion ist, haben Sie eine kurze Verkaufsperiode und plötzlich haben Sie genug Platz, um die neue Kollektion hereinzubringen.

Also sind wir in einer Situation, in der Unternehmen, insbesondere das Top-Management, sagen, dass sie Servicelevel verwenden, aber die Realität ist, dass sie es nicht tun. Die Leute vor Ort tun Dinge, die anders sind. Deshalb scheitert es immer wieder, wenn Sie versuchen, zu automatisieren. Wenn Sie versuchen, zu automatisieren, versuchen Sie tatsächlich, diese dysfunktionale Idee in Ihrer Lieferkette durchzusetzen, und sie steht im Konflikt mit der Realität und scheitert daher. Die Leute kehren zu Tabellenkalkulationen zurück.

Das Interessante ist, dass es in der modernen Welt der Lieferketten eine enorme kognitive Dissonanz gibt. Einige der wichtigsten Grundsätze wie Zeitreihen, Sicherheitsbestände und Servicelevel sind völlig kaputt. Die Menschen in der Praxis tun Dinge, die völlig anders sind als in den Tabellenkalkulationen. Anstatt Servicelevel als etwas durchzusetzen, nehmen sie es nur als Indikator und handeln mit viel Spielraum.

Wenn wir die Frage umformulieren und fragen “Ist es grundsätzlich schlecht, Servicelevel irgendwo als Indikator zu haben?”, würde ich sagen nein. Es ist nur eine deskriptive Statistik unter vielen anderen deskriptiven Statistiken. In diesem Bereich können Sie viele deskriptive Statistiken haben. Sie sind weder gut noch schlecht; sie sind nur mehr oder weniger organisiert und geben Ihnen mehr oder weniger Einblick in das, was passiert. Aber die Lieferketten-Theorie sagt Ihnen etwas ganz anderes.

Sie sagen nicht, dass das Servicelevel ein Element der deskriptiven Statistik ist; sie sagen Ihnen, dass es Ihr Ziel ist und dass Sie Entscheidungen treffen sollten, die diesem Ziel entsprechen. Was ich sage, ist, dass die Menschen in großen Unternehmen das fast immer nicht tun und sie haben recht. Genauso wie Sicherheitsbestände würden sie sagen: “Oh ja, wir haben unsere Ziele für den Servicelevel. Wir brauchen mehr Reife und eines Tages werden wir es tun. Aber im Moment brauchen wir etwas, das funktioniert.”

Wir sind wieder an dem Punkt angelangt, an dem die Praktiker sich bewusst sind, dass sie etwas anderes tun, und sie denken darüber nach, dass sie dies tun werden, wenn sie erwachsen werden, wenn sie mehr Reife haben, möglicherweise wenn sie KI haben, die sie unterstützt. Aber es wird nicht passieren, weil das Konzept kaputt ist. Als Teil der deskriptiven Statistik ist es in Ordnung. Als Teil der politischen Entscheidungsfindung für Ihr Unternehmen ist es völlig mangelhaft.

Conor Doherty: Nun, ich musste das so formulieren. Wenn das Argument ist, und korrigieren Sie mich, wenn ich falsch liege, aber wenn das Argument ist, dass es Unternehmen gibt, die diese Richtlinien haben, diese Kennzahlen haben und die Praktiker sie einfach ignorieren, aber es gibt einige Unternehmen, die wirklich, wirklich gut sind, sagen Sie dann, dass sie wirklich, wirklich gut sind, weil sie blindes Glück und den Instinkt der Praktiker haben, die ihre Finger in die Luft stecken und raten und zufällig richtig raten?

Joannes Vermorel: Nein, ich sage nur, dass viele dieser Probleme, solange Sie keinen völlig mangelhaften Ansatz verwenden, grobe Lösungen haben können, die immer noch für Sie funktionieren. Sehen Sie, die Fähigkeiten, die es erfordert, einen lokalen Lebensmittelgeschäft ordnungsgemäß zu führen, erfordern keinen Doktortitel von Stanford. Sie können das mit viel weniger tun. Sie können sogar schrittweise entdecken, was funktioniert und was nicht funktioniert.

Was ich also sage, ist, dass diese Unternehmen natürlich keinen Erfolg dank der Supply-Chain-Theorie haben. Sie haben Mitarbeiter mit etwas Erfahrung, die einige numerische Rezepte entdeckt haben, die irgendwie funktionieren. Sie funktionieren ausreichend gut. Der Beweis dafür, dass diese Theorie nicht funktioniert, ist, dass all diese großen Unternehmen versucht haben, die Prozesse viele Male zu automatisieren, ungefähr einmal alle fünf Jahre in den letzten drei Jahrzehnten, und es ist jedes Mal gescheitert. Die Leute sind jedes Mal zu Tabellenkalkulationen zurückgekehrt.

Warum greifen Sie zur Tabellenkalkulation? Die Sicherheitsbestandsformel ist super einfach. Die Steuerung der Lagerbestandsentscheidungen zur Erfüllung der Service-Level-Ziele ist in Bezug auf die Codierung super einfach. Das ist ein Kinderspiel, wir reden insgesamt von 50 Zeilen Code, vielleicht sogar weniger. Wenn es funktionieren würde, wäre es bereits implementiert und die Arbeit all dieser Menschen wäre bereits automatisiert.

Mein Argument ist, dass es das nicht ist, es ist bei weitem nicht automatisiert, weil diese Paradigmen fehlerhaft sind und daher nicht als solche automatisiert werden können. Was diese Tabellenkalkulationen, die von Supply-Chain-Praktikern verwendet werden, enthalten, sind alternative Methoden, die in der Regel relativ einfach sind und zufällig funktionieren, aber sie sind konzeptionell sowohl mit dem Sicherheitsbestand als auch mit den Service-Levels unvereinbar.

Conor Doherty: Nun, welche praktischen Strategien denken Sie, dass Supply-Chain-Praktiker jetzt verwenden können, um wirtschaftlichere Supply-Chain-Entscheidungen zu treffen?

Joannes Vermorel: Also sehen Sie, wenn wir versuchen, zur KI zurückzukehren, ist das Problem, dass Sie diese Illusion aufgeben müssen, dass die Konzepte, die Sie kennen, die Ihnen in der Schule beigebracht wurden oder die Sie mit einer Supply-Chain-Vereinigung gelernt haben, einfach dysfunktional sind. Wenn Sie versuchen, anspruchsvolle Instrumente wie generative KI oder Deep Learning oder Blockchain oder was auch immer Sie sich vorstellen können, einzuführen, wird es einfach nicht funktionieren.

Der erste Schritt besteht also darin, anzuerkennen, dass Sie ein paradigmatisches Problem haben. Das ist ein großes Wort, um zu sagen, dass diese Theorie völlig falsch ist. Es stellte sich heraus, dass das, was wir ziemlich instinktiv gemacht haben, irgendwie der bessere Weg ist. Wenn Sie es wirklich auf die elegante Art und Weise machen möchten, können Sie versuchen, diesen wirtschaftlichen Instinkt zu formalisieren, der einfach besagt, dass Sie nichts tun sollten, was dem Unternehmen großen Schaden zufügt und teuer ist. Das ist nur die formale Art, dasselbe zu sagen.

Dann können Sie vielleicht, wenn Sie die richtige Perspektive haben, die ausgeklügelten Technologien einführen, und das ist im Wesentlichen das, was Lokad tut. Aber das Entscheidende ist, dass es damit beginnt, das Problem mit einer sinnvollen Perspektive zu betrachten. Solange Sie in einer dysfunktionalen/dummen Perspektive feststecken, ist es irrelevant, ein Virtuose in der Technologie zu sein. Das ist der traurige Teil. Deshalb kann ich mit relativem Vertrauen sagen, dass diese KI-Anbieter scheitern werden. Es spielt keine Rolle, ob sie talentiert sind oder nicht, es spielt keine Rolle, ob ihre Technologie sehr gut oder sehr schlecht ist, ob sie billig oder unverschämt teuer ist. Das alles ist völlig belanglos. Es wird nicht funktionieren, weil die Voraussetzungen, auf denen sie arbeiten, fehlerhaft sind.

Conor Doherty: Nun gut, Joannes, vielen Dank. Ich habe keine weiteren Fragen, aber ich werde jetzt zu einigen Fragen aus dem Publikum übergehen. Vielen Dank. Also, in keiner bestimmten Reihenfolge, in Bezug auf die vier Beweise, Ihre vier Möglichkeiten: RFPs, Zeitreihen, Sicherheitsbestände und Service-Levels. Wenn diese Praktiken Unternehmen so schlecht dienen, was hindert Ihrer Meinung nach das Management daran, sie einfach abzulehnen?

Joannes Vermorel: Es ist schwierig, irgendetwas in großen Unternehmen zu ändern, aber es gibt eine Klasse von Änderungen, die noch schwieriger sind. Als Faustregel habe ich festgestellt, dass in jedem Unternehmen, unabhängig von der Größe, das Entfernen von etwas, lassen Sie uns sagen, zwei Größenordnungen schwieriger ist, also 100-mal schwieriger als das Hinzufügen von Dingen. Das Hinzufügen eines neuen Prozesses ist einfach, das Hinzufügen einer neuen Position ist einfach, das Hinzufügen einer neuen Softwarekomponente ist einfach.

Das Entfernen von etwas ist sehr schwierig, insbesondere in Frankreich. Aber überall, wissen Sie, wir können über Frankreich scherzen, dass es die Banque de France hat, eine Institution, die sich mit der Verwaltung einer Währung befasst, die seit 1992 nicht mehr existiert. Wir haben eine Anti-Institution, die sich mit der Verwaltung einer Währung befasst, die seit 30 Jahren nicht mehr existiert. Und übrigens, es sind etwa 14.000 Mitarbeiter in Paris. Aber sehen Sie, was auf großer Ebene in staatlichen Einrichtungen passiert, passiert in kleinerem Maßstab in großen Unternehmen. Bürokratien haben die Tendenz, von selbst zu wachsen, das ist das Parkinson’sche Gesetz.

Also, die Frage ist, warum entfernt das Management nicht Dinge, die nicht funktionieren? Das Problem ist, dass die Leute bereits etwas anderes tun. Die offizielle Unternehmenspolitik besteht darin, dass jeder Sicherheitsbestände verwendet. Die Realität ist jedoch, dass es so viele manuelle Eingriffe gibt, die von Tabellenkalkulationen gesteuert werden, dass das Unternehmen effektiv etwas völlig anderes verwendet. Das ist der aktuelle Stand der Dinge. Wir haben die Farce, dass das Unternehmen immer noch von Sicherheitsbeständen abhängig ist. Ich sage, nun gut, wissen Sie, diese Sicherheitsbestände sind immer noch ein wichtiges Merkmal der Supply Chain des Unternehmens. Das ist es aber nicht. Aber letztendlich würde das Management sagen, was habe ich davon, offiziell zu erklären, dass Sicherheitsbestände nicht mehr existieren? Letztendlich ändert sich nichts, weil die Leute das bereits nicht mehr verwenden.

Also, und das ist dasselbe. Wenn Sie einen Bericht für den Service-Level haben, ergibt das eigentlich keinen Sinn. Aber der Vorteil, das kurzfristig zu entfernen, ist begrenzt. Langfristig sind die Vorteile enorm, weil es den Weg für etwas ebnet, das tatsächlich viel sinnvoller ist. Aber kurzfristig gibt es nur begrenzte Vorteile. Nochmals, das Hinzufügen von Dingen ist viel einfacher.

Wenn wir zu KI zurückkehren, erklärt das auch, warum es so viel Begeisterung gibt, KI-Technologien zu nutzen. Es ist einfach additiv. Wir werden eine weitere Klasse von Dingen in der Organisation hinzufügen, und das ist sehr schön und einfach, im Gegensatz zu sagen, wir werden eine Klasse von Dingen entfernen, die nur im Weg stehen, um das Unternehmen effizienter, profitabler und kundenorientierter zu machen. Es ist für einen Manager viel schwieriger zu sagen, ich werde einfach Leute entfernen und die Dinge werden besser funktionieren.

Stellen Sie sich nur vor, was bei Elon Musk auf Twitter passiert ist, als er sagte, ich habe gerade 80% der Mitarbeiter bei Twitter entlassen und jetzt ist es flüssiger als je zuvor. Es hat mehr Benutzer als je zuvor und insgesamt haben sie Tonnen von Funktionen hinzugefügt, die das vorherige Team, das fünfmal so groß war, in den letzten Jahrzehnten nicht umsetzen konnte. Das zeigt die Kraft des Subtrahierens, aber es ist extrem schwierig. Es ist sehr, sehr schwierig. Also würde ich sagen, diese Dinge bewegen sich nicht, weil irgendetwas zu entfernen extrem schwierig ist, auch wenn es von entscheidender Bedeutung ist.

Conor Doherty: Vielen Dank. Nächste Frage, sie ist sehr gut formuliert. Betrachten Sie angesichts Ihrer historisch deutlichen Ablehnung von menschlichen Eingriffen dies als Beispiel für natürliche Dummheit?

Joannes Vermorel: Menschliche Eingriffe. Nun ja, es kommt darauf an. Wenn wir eine numerische Rezeptur außer Kraft setzen, die völlig unsinnig ist, ist es gut. Was ich sage, ist, dass es noch verrückter wird, wenn Sie in Situationen geraten, in denen Ihre numerischen Rezepturen unsinnig sind.

Conor Doherty: Wenn Sie von numerischen Rezepturen sprechen.

Joannes Vermorel: Es handelt sich um alles, was Ihre Entscheidungen in der Supply Chain berechnet, wie viel Sie bestellen sollten, wie viel Sie produzieren sollten, wo Sie den Bestand zuweisen sollten usw.

Sie haben also numerische Rezepturen, die unsinnig sind, daher ist es völlig normal, diese wahnsinnigen Ergebnisse manuell zu überschreiben. Und jetzt passiert es, dass viele Menschen in der Organisation ihre gesamten Tage damit verbringen, Entscheidungen zu überschreiben. Was mich betrifft, ist dies notwendig, da das Unternehmen sonst aufgrund dieser völlig unsinnigen Entscheidungen an eine Wand stoßen würde.

Was passiert nun ist, dass Bürokratien sich immer ausdehnen. Das ist das Gesetz von Parkinson. Bürokratien dehnen sich aus. Wenn Sie Menschen haben, die den ganzen Tag damit verbringen, numerische Entscheidungen manuell zu überschreiben, werden Sie Menschen haben, die ihren gesamten Tag damit verbringen, allmählich numerische Artefakte zu überschreiben. Was ist also ein Artefakt? Ein Artefakt ist einfach etwas, das in Ihrem System existiert, wie ein Service-Level, eine Prognose, eine tägliche Prognose, eine monatliche Prognose, ein Budget oder ähnliches.

Etwas, mit dem Sie spielen können. Diese Zahl hat keinen greifbaren Einfluss auf Ihr Geschäft. Es könnte einen negativen Effekt haben, wenn Entscheidungen von diesem Artefakt abgeleitet werden, vielleicht. Aber sehr oft haben Entscheidungen keinen Einfluss auf Artefakte. Denken Sie also einfach daran, mit KPIs und ähnlichem zu spielen. Es wird bedeutungslos sein, außer vielleicht in den Augen des Managements, weil Sie eine Zahl haben, die besser aussieht.

Aber Bürokratie dehnt sich wieder aus. Sie begannen also mit einer Situation, in der Menschen Entscheidungen manuell überschrieben haben, die notwendig waren. Und jetzt dehnt sich die Bürokratie aus. Sie haben viele Menschen, die Artefakte, numerische Artefakte, überschreiben, also Dinge, die keine Rolle spielen. Das werden Menschen sein, die mit ABC-Klassen spielen, Menschen, die mit Service-Levels spielen, Menschen, die mit Koeffizienten für Sicherheitsbestände spielen, Menschen, die mit Saisonalitätskoeffizienten spielen usw. Die Liste ist endlos.

Und was ich sage, ist, dass ja, diese numerischen Überschreibungen völlig verrückt und nutzlos sind. Und übrigens ist der Ansatz von Lokad, und deshalb haben die Leute erwähnt, dass ich sehr abweisend bin, dass es bei einer numerischen Rezeptur, die vernünftig ist, keine Notwendigkeit für manuelle Überschreibungen geben sollte. Wenn Sie Ihre Ergebnisse manuell überschreiben müssen, liegt es daran, dass Ihre numerische Rezeptur unsinnig ist. Ich spreche von einer Entscheidung. Wenn die Entscheidung unsinnig ist, müssen Sie die numerische Rezeptur reparieren und sie weiterhin reparieren, bis es keine einzige Zeile mehr gibt, die unsinnig ist.

Solange Ihre numerische Rezeptur unsinnige Entscheidungen produziert, müssen Sie weiterhin daran arbeiten, sie zu reparieren, ohne Ausnahme. Und deshalb sind wir bei Lokad im Allgemeinen sehr abweisend gegenüber diesen manuellen Überschreibungen. Die Überschreibungen der Entscheidungen spiegeln nur wider, dass Sie eine schlechte numerische Rezeptur haben. Und die Überschreibung numerischer Artefakte spiegelt nur bürokratische Beschäftigungstätigkeit wider, die von vornherein völlig sinnlos ist und vollständig beseitigt werden könnte, ohne dass sich etwas für das Unternehmen ändert.

Conor Doherty: Ja, es behandelt die Symptome und nicht die Ursache.

Joannes Vermorel: Im Wesentlichen ja, genau. Und auch hier wieder im Interesse von Bürokratien zu handeln. Das ist wieder Parkinsons Gesetz. Bürokratien neigen dazu zu wachsen. Wenn Sie die Anzahl der Angestellten, die diese manuellen Überschreibungen durchführen, um den Faktor 10 multiplizieren, haben Sie 10-mal so viele Aktualisierungen dieser Werte. Es wird Ihre Supply Chain nicht verbessern.

Conor Doherty: Nun gut, für mich ist das ausreichend. Danke. Nächste Frage. Sie besteht aus zwei Teilen. Wie haben ERP Systeme das Problem verschlimmert und warum können sie keine probabilistischen Prognosen verarbeiten? Sie haben probabilistische Prognosen vorhin nur implizit erwähnt, aber fühlen Sie sich frei, darauf einzugehen.

Joannes Vermorel: Also, ERPs haben das Problem verschlimmert, würde ich sagen, hauptsächlich dank Marktforschern, indem sie die Situation sehr verwirrend gemacht haben. Also zuerst einmal, ein ERP, es gibt kein P in ERP. Es handelt sich um Enterprise Resource Management. Es gibt keine Planung. Was Sie haben, ist ein transaktionales System. Es dient nur dazu, einen transaktionalen Fluss zu bewältigen. Es ist praktisch das elektronische Gegenstück zu Ihrem physischen Fluss. Und das ist gut. Das gibt Ihnen die elektronische Darstellung dessen, was physisch in Ihrer Supply Chain passiert. Das ist gut.

Das Problem ist nun, dass wir plötzlich in das Gebiet des Systems der Intelligenz, der Entscheidungsfindung, eintreten. Warum haben ERPs die Situation verschlimmert? Weil die Anbieter sehr schnell erkannt haben, dass Systeme der Aufzeichnung, auch als CRUD-Apps (Create, Read, Update, Delete) bekannt, bereits standardisiert waren. Das war bereits vor 20 Jahren der Fall.

Heutzutage ist es noch mehr standardisiert. Und übrigens, wenn Sie eine echte Anwendung von generativer KI als Produktivitätswerkzeug haben möchten, ist es hervorragend, Code für CRUD-Apps zu schreiben. Mit ChatGPT können Sie jetzt buchstäblich Apps schreiben, die ERP-ähnlich sind, super, super schnell, weil diese Dinge einfach sind. Es gibt viel Boilerplate-Code; Sie haben tonnenweise davon. Es ist unglaublich repetitiv. Es ist nicht wie anspruchsvolle Ingenieursarbeit.

Also, solche Produktivitätswerkzeuge funktionieren unglaublich gut, um mit ERM, also Enterprise Resource Management, umzugehen. Nun zurück zu dieser verwirrenden Situation. Was Sie von Ihren Computersystemen erwarten, um mit einem System der Intelligenz und Entscheidungsfindung umzugehen, ist völlig anders als das, was Sie von einem System der Aufzeichnung erwarten. Ein Beispiel ist, wie viele Millisekunden Sie sich leisten können, um Ihr System damit beschäftigt zu halten, etwas zu tun. Wenn es sich um ein System der Aufzeichnung handelt, lautet die Antwort weniger als eine Millisekunde. Was auch immer Sie tun, es sollte in einer Millisekunde erledigt sein.

Warum? Weil Ihr System, Ihr ERM, sagen wir, auf einer zentralen Datenbank beruht, die eine gemeinsam genutzte Ressource für alle und jeden einzelnen Prozess in Ihrem Unternehmen ist. Alles konvergiert zu dieser einen Datenbank. Wenn Sie diese Datenbank für eine Millisekunde einfrieren, bedeutet das, dass alles andere um eine Millisekunde verzögert wird. Sie würden sagen: “Oh, eine Millisekunde ist nichts.” Ja, aber jetzt haben Sie 500 Personen, die das tun. Okay, es sind nicht 500, es sind jetzt 500 Millisekunden Verzögerung, die langsam bemerkbar werden.

Was ist, wenn einige dieser Anfragen Ihren relationalen Kern einfrieren? Ich vereinfache für einen Moment. Dann haben Sie plötzlich ein System, das sehr, sehr langsam ist. Plötzlich dauert das Scannen eines Barcodes mehrere Sekunden, bis das System bestätigt, was Sie gerade getan haben. Und deshalb beschweren sich viele Unternehmen: “Oh, mein ERP-System ist so langsam.” Die Antwort ist immer, es ist langsam, weil Sie Dinge in dieses System gesteckt haben, die Sie nicht hätten tun sollen.

Das ERM, also das Enterprise Resource Management, sollte sich nur mit Dingen befassen, die in submillisekundiger Zeit berechnet werden können, also super, super einfach. Wenn Sie etwas tun, das nicht extrem einfach ist, bedeutet das, dass Sie Ihr System einfrieren werden. Sie werden Ressourcen beanspruchen, die Ihr System für eine messbare Zeit einfrieren werden. Und wenn genug Leute das tun, und raten Sie mal, wir sprechen von großen Unternehmen, vielen, vielen Prozessen, vielen Menschen, wird Ihr System unglaublich langsam werden. Und deshalb sind ERPs heutzutage immer noch genauso langsam wie vor 20 Jahren, obwohl wir in Bezug auf die reine Rechenleistung Computer haben, die mindestens tausendmal besser sind. Die Antwort lautet, warum ist es immer noch so langsam? Es gibt ein Gleichgewicht, das entsteht.

Wenn etwas das ERP so stark verlangsamt, dass es mehrere Sekunden dauert, bis andere Personen eine Antwort vom System erhalten, wird die IT-Abteilung eingreifen und dies verhindern. Und das sieht man auch. Sie fungieren als Polizei für den ERP-Verbrauch. Und wenn jemand übermäßig ist, wird die IT irgendwann eingreifen und verhindern, dass diese Person oder diese Software so viele Probleme für den Rest von uns verursacht. Es gibt also dieses Gleichgewicht, und dann konvergiert es zu einem Gleichgewicht, das heißt, es ist langsam, aber tolerierbar. Deshalb sind die meisten ERPs super langsam, aber nicht so langsam, dass es unerträglich wäre. Denn wenn Sie in den unerträglichen Bereich kommen, greift die IT ein und beendet einfach das Ganze.

Also sind wir jetzt wieder bei den Systemen der Intelligenz. Im Gegenteil, wenn Sie darüber nachdenken, wie Sie eine Warenbestandsauffüllung durchführen sollten, werden Sie sich Jahre des Verkaufsverlaufs ansehen. Sie möchten sehen, was mit Tausenden, möglicherweise Zehntausenden von Kunden passiert. Ich meine, es ist offensichtlich etwas, das viele Daten manipulieren wird. Das ist offensichtlich etwas, bei dem Sie etwas mehr investieren möchten als eine Millisekunde Berechnung. Berechnung ist billig.

Das Problem ist, dass Ihre Ressourcen bei einem ERM mit dem gesamten Unternehmen geteilt werden. Daher möchten Sie ein System der Intelligenz haben, das außerhalb des ERM liegt, und dann kann diese Sache so viel Zeit in Anspruch nehmen, wie es relevant ist, um diese ausgefallenen Berechnungen durchzuführen. Wenn wir also zur ursprünglichen Frage zurückkehren, müssen Systeme der Aufzeichnungen mit Dingen umgehen, die transaktional sind, die sehr einfache Regeln sind.

Die probabilistische Prognose ist das Archetyp der Dinge, die Sie nicht in Ihrem System der Aufzeichnungen haben möchten. Ich meine, sobald wir anfangen, wenn Sie von probabilistischer Prognose sprechen, diskutieren wir Wahrscheinlichkeitsverteilungen. Diese Objekte sind speicherintensiv. Es wird viel Platz benötigt, um all diese Wahrscheinlichkeiten zu haben. Sie können auf verschiedene Arten sehr intelligent sein, aber seien wir offensichtlich. Ich meine, es führt offensichtlich im Vergleich zu den Rohdaten, die Sie haben, zu einem erheblichen Overhead. Sie erweitern Ihre Daten makro, um all diese Wahrscheinlichkeiten zu bewerten.

Also grundsätzlich haben Sie etwas, das von Design her sehr leistungsstark sein kann, ja, aber ziemlich sicher, es wird nicht in Echtzeit sein. Wenn Sie sich auf ausgefallene probabilistische Bewertungen einlassen, befinden Sie sich nicht im Bereich der Echtzeitberechnung. Sie möchten etwas, bei dem Sie Gigabyte an Speicher zuweisen und, seien wir verrückt, Sekunden der Berechnung aufwenden können. Das ist in Ordnung. Die meisten Supply-Chain-Entscheidungen können sich einige Sekunden Verzögerung leisten, aber nicht Ihr ERP.

Conor Doherty: Nun, um noch einmal auf diesen Punkt über Systeme der Intelligenz und die fehlende Notwendigkeit von Echtzeitberechnungen je nachdem, was Sie berechnen möchten, einzugehen. Um nur eine Größenordnung anzugeben, wenn Sie das Beispiel einer Warenbestellauffüllung nehmen, wenn Sie über einen Laden oder einen Kunden sprechen, sagen wir 300 Läden und, um runde Zahlen zu verwenden, 50.000 SKUs, würden Sie von 10 Stunden, 12 Stunden sprechen, also einer Verarbeitung über Nacht, um zu diesen Entscheidungen zu gelangen, im Gegensatz zu dem System der Aufzeichnungen, das einfach wäre…

Joannes Vermorel: Ja, aber Sie möchten Ihre Berechnung in der Regel unter 60 Minuten halten, zumindest bei Lokad, aber aus einem völlig anderen Grund. Ja, theoretisch könnten Sie eine Berechnung haben, die 10 Stunden dauert. In der Praxis ist das eine sehr schlechte Idee, denn wenn Ihre Berechnung in der Mitte abstürzt und Sie neu starten müssen, bedeutet das, dass Sie operative Probleme verursachen.

Daher möchten Sie Ihre Berechnung so kurz wie möglich halten, damit Sie genügend Zeit haben, sie erneut durchzuführen. Und der zweite Grund, der noch wichtiger ist, besteht darin, dass Sie diese Berechnung nicht von Anfang an richtig machen werden. Wie gesagt, ein numerisches Rezept muss so lange modifiziert und aktualisiert werden, bis es keine unsinnigen Entscheidungen mehr generiert, was viele Iterationen bedeutet.

Wenn Sie etwas haben, bei dem die Berechnung in weniger als 60 Minuten abgeschlossen ist, bedeutet das, dass ein Ingenieur vielleicht fünf oder sechs Iterationen pro Tag durchführen kann. Wenn etwas 10 Stunden dauert, bedeutet das eine Iteration pro Tag. Sie möchten wirklich etwas haben, bei dem ein Ingenieur viele Male am Tag iterieren kann. Und häufig versuchen wir bei Lokad, wenn wir uns im Designmodus befinden und ein neues numerisches Rezept erstellen, die Berechnung auf wenige Minuten zu begrenzen, damit wir buchstäblich Dutzende von Iterationen pro Tag durchführen können.

Conor Doherty: Es gibt jedoch Beispiele, um noch einmal von Einzelhandel auf etwas wie Luft- und Raumfahrt umzusteigen. Es gibt Beispiele, bei denen Sie möchten, dass die Entscheidungen in wenigen Minuten generiert werden, anstatt sogar eine Stunde. 60 Minuten könnten finanziell katastrophal sein. Es geht also nicht darum, dass das Schnellste, was wir tun können, 60 Minuten sind. Es hängt vielmehr vom Kontext der Branche ab.

Joannes Vermorel: Absolut. Aber selbst, sehen Sie, Sie müssen schätzen, dass zwischen einer Millisekunde, die Ihr Leistungsziel in einem ERP sein sollte, und einer Minute fast fünf Größenordnungen liegen. Das ist sehr unterschiedlich. Das sind buchstäblich mehr als 10.000 Mal mehr, wissen Sie. Das bedeutet, dass Sie Dinge sehr, sehr unterschiedlich machen können.

Wenn Sie unter einer Millisekunde arbeiten möchten, ist das sehr, sehr schwierig. Viele Dinge sind einfach nicht einmal möglich. Selbst die Lichtgeschwindigkeit ist ziemlich langsam. Ich meine, wenn Sie von Dingen sprechen, die unter einer Millisekunde arbeiten, bedeutet das, dass die Lichtgeschwindigkeit nur für 300 Kilometer reicht. Das mag viel klingen, aber wenn Sie in Hin- und Rückrichtung denken möchten, bedeutet das, dass eine Millisekunde buchstäblich die Lichtgeschwindigkeit ist. Sie können nicht weiter als 150 Kilometer gehen, wenn Sie gehen müssen.

Also sehen Sie, es ist die Art von Geschwindigkeit, bei der plötzlich jede Netzwerkkommunikation aus dem Bild ist. Wenn Sie also eine Leistung von unter einer Millisekunde erzielen möchten, ist es nicht erlaubt, irgendeine Art von Netzwerkkommunikation durchzuführen. Selbst das Laden von Dingen von einer rotierenden Scheibe ist sozusagen aus dem Bild. Eine rotierende Scheibe, eine magnetische Scheibe, hat eine Latenzzeit von etwa 10 Millisekunden. Selbst das Laden von etwas von einer Scheibe ist aus dem Bild.

Mit einer SSD-Festplatte, wissen Sie, einer Solid-State-Festplatte, können Sie das tun, aber selbst dort können Sie nicht viele Zugriffe durchführen. Sie können vielleicht ein paar machen. Was ich also sage, ist, dass es einen enormen Unterschied gibt zwischen dem, was Sie in einer Millisekunde und dem, was Sie in einer Minute tun können. In Bezug auf das Computerdesign ist das völlig anders. Wenn Sie eine Minute haben, können Sie viele Netzwerkanfrufe durchführen, Sie können viele ausgefallene Berechnungen durchführen, Sie können viele Daten laden. Es ist viel einfacher zu entwickeln.

Conor Doherty: Nun, Joannes, vielen Dank. Es gibt keine weiteren Fragen. Vielen Dank für Ihre Zeit. Es ist etwa anderthalb Stunden her, also gebe ich Ihnen eine Minute für einen abschließenden Gedanken. Gibt es etwas, das Sie sagen möchten, bevor wir gehen?

Joannes Vermorel: Nein, ich wünschte, ich könnte allen Menschen, 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. Es passiert einfach so. Nehmen Sie es nicht persönlich. Ich meine, ich denke, Sie können sich trösten. Ich denke, diesen Menschen können Sie sich trösten, dass Ihre Fähigkeiten irrelevant sind, wissen Sie. Und übrigens sind die Fähigkeiten Ihres Anbieters zu diesem Zeitpunkt auch irrelevant. Also, es spielt keine Rolle, ob Sie gut oder schlecht sind, wissen Sie. Auf diese Weise können Sie von sich selbst nicht allzu schlecht denken, wenn Sie mit dem Scheitern konfrontiert werden. Nehmen Sie es nicht zu persönlich. Das Scheitern war garantiert. Es war von Anfang an zum Scheitern verurteilt.

Conor Doherty: Ja, okay. Nun, bei dieser fröhlichen und festlichen Note, Joannes, vielen Dank für Ihre Zeit und vielen Dank an alle, die zugeschaut haben. Wir sehen uns 2025.