Почему специалисты правильно игнорируют это видение «эры ИИ» для цепочки поставок
Когда сорок с лишним профессоров и представителей индустрии публикуют «визионерское заявление» о цепочке поставок в эпоху ИИ, можно ожидать, что это поможет реальному специалисту по цепочкам поставок принимать более обоснованные решения в понедельник утром.
Статья, о которой я говорю, называется Supply Chain Management in the AI Era: A Vision Statement from the Operations Management Community авторов Максима Коэна, Тинглона Даи, Джорджии Перакис и еще тридцати девяти соавторов. В аннотации говорится, что сообщество управления операциями (ОМ) играет «важную роль и несет ответственность» не только за формирование того, как ИИ трансформирует цепочки поставок, но и за обеспечение того, чтобы цепочки поставок, лежащие в основе ИИ, были «устойчивыми, надежными и справедливыми». Затем статья разрабатывает пятислойную структуру — интеллект, исполнение, стратегия, человек, инфраструктура — и просматривает обширное количество литературы ОМ и ИИ с этой точки зрения.
На бумаге это звучит многообещающе. На практике это почти идеальная иллюстрация того, почему практикам по цепочкам поставок правильно игнорировать большую часть академических исследований в нашей области.
В моей недавней книге Введение в цепочку поставок, я определяю цепочку поставок как умение управлять альтернативами в условиях неопределенности потока физических товаров и утверждаю, что в рыночной экономике практическая цель цепочки поставок заключается в повышении риск-скорректированной нормы прибыли фирмы от каждого ограниченного ресурса, которым она распоряжается — капитала, мощности, времени, деловой репутации. Все обычные требования — более высокий уровень обслуживания, более короткие сроки исполнения, экологичность транспорта, более довольные сотрудники — имеют значение лишь в той мере, в какой они способствуют долгосрочной прибыли, выраженной в твердой валюте. Цепочка поставок — это не моральная философия; это прикладная экономика, которая выживает или гибнет по счетам.
Если оценивать по этим меркам, это «визионерское заявление» отмечает почти все тревожные признаки, которым я научился не доверять в академических работах о цепочках поставок: сверхэкономическую демонстрацию добродетелей, рамочные концепции, не отражающие реальные решения, лавину самореферентных цитирований и упорное убеждение, что еще один слой моделирования временных рядов вместе с современным ИИ каким-то образом искупит парадигму планирования, которая уже десятилетиями подводила практиков.
Позвольте мне пояснить, почему.
Сверхэкономические добродетели и этика чужих балансов
Самое показательное предложение всей статьи приводится в аннотации:
“Сообщество управления операциями играет важную роль и несет ответственность за формирование не только того, как ИИ трансформирует цепочки поставок, но и того, как цепочки поставок, обеспечивающие ИИ, проектируются с учетом устойчивости, надежности и справедливости.”
В заключении повторяется тот же набор добродетелей, заявляя, что ОМ должно направлять нас к цепочкам поставок, которые являются «более интеллектуальными, справедливыми и устойчивыми».
Обратите внимание, что происходит здесь. Прежде чем объяснить, для чего нужны цепочки поставок, авторы перечисляют, какими прилагательными они должны обладать: устойчивыми, надежными, справедливыми. Никакая явная экономическая цель не указана. Прибыль, производительность капитала, риск-скорректированная доходность — упоминаются, если вообще упоминаются, лишь косвенно. В статье просто предполагается, что «эффективность» и «устойчивость» идут рука об руку с набором предпочтительных моральных ценностей, и что долг сообщества управления операциями — одновременно отстаивать их все.
В главе 4.4.5 моей книги «Сверхэкономические цели» я использую этот термин — сверхэкономический — именно для такого шаблона: обращения к целям, якобы превосходящим «простые» денежные соображения и тем самым оправдывающим обход дисциплины цен, затрат и альтернативных издержек. Иногда тон носит морализаторский характер («фирма должна продвигать социальную повестку помимо обслуживания клиентов»); иногда апокалиптический («надвигающаяся катастрофа требует немедленной жертвы рентабельности»). В обоих случаях подход один и тот же: экономические расчеты тихо понижаются в приоритете, в то время как предпочтения автора поднимаются над ними.
Проблема не в том, что устойчивость или справедливость не важны. Проблема в том, что дефицит не исчезает только потому, что мы призываем их. Каждый поддон, человеко-час и монета, затраченные на одну цель, не могут быть использованы для другой. Как я писал в книге: призыв к высшей цели «не устраняет дефицит; он просто переопределяет компромиссы … альтернативы прибыли и убыткам не существует».
Если углеродные выбросы имеют значение, они должны включаться в расчет затрат как издержки — через цены на углерод, регулирование, поведение потребителей или риск для бренда — чтобы альтернативные решения можно было сравнивать в единой единице измерения. Если справедливость имеет значение, мы должны указать, чья это справедливость, по какой цене и с какими последствиями, так, чтобы это могло быть отражено в решениях и проверено позже. В противном случае мы просто украшаем обсуждение прилагательными.
Тем не менее, статья о «эре ИИ» довольствуется заявлением о том, что цепочки поставок «должны» быть устойчивыми и справедливыми, при этом никогда не уточняя, что именно эти слова означают в операционной практике, кто за них платит и сколько. Например, в разделе о здравоохранении говорится, что цепочки поставок для доставки должны работать с учетом «строгих требований безопасности и справедливости». С точки зрения этики это звучит обнадеживающе; с точки зрения цепочки поставок — это пустота. Насколько безопасно «достаточно безопасно»? Справедливость для каких групп пациентов, по какой цене с точки зрения утраченной пропускной способности и в сравнении с какими альтернативами? Никаких чисел, никаких цен, никаких компромиссов.
Более того, статья представляет эти сверхэкономические цели как обязанность сообщества ОМ по отношению к чужим балансовым ведомостям. Одно дело, когда парламент устанавливает налоги или стандарты безопасности после демократических дебатов. Совершенно другое, когда академики говорят менеджерам, что у них есть обязанность проектировать «справедливые» цепочки поставок без явного указания, от кого и кому именно они перераспределяют ресурсы. Первое — это политика; второе — в лучшем случае патернализм, а в худшем — тихое приглашение предать доверительные обязательства перед акционерами, держателями облигаций, сотрудниками и клиентами, которые могут не разделять те же приоритеты.
Как только вы примете, что любое дело может претендовать на сверхэкономический приоритет, не существует никаких ограничивающих принципов. Как я отмечаю в книге, история полна компаний, которые с энтузиазмом присоединялись к инициативам, впоследствии признанным катастрофическими — от открыто дискриминационного найма до благотворительной поддержки евгеники — вооруженные в своё время впечатляющим «научным консенсусом». В каждом случае экономические расчеты подчинялись сверхэкономической риторике; в каждом случае ресурсы тратились впустую, хотя их можно было использовать для лучшего обслуживания клиентов.
Демонстрация сверхэкономических добродетелей — это не безобидное украшательство. Это этическая ошибка сама по себе, потому что она затуманивает оценку компромиссов, одновременно расходуя ресурсы, которые не принадлежат авторам для распределения. «Видение» цепочки поставок, которое начинается и заканчивается такой демонстрацией, учит следующее поколение специалистов оптимизировать не для достижения конкретных результатов, а для соответствия прилагательным, вместо того чтобы учитывать жесткие денежные последствия их решений.
Рамки, уровни и видимость глубины
Второй отличительной чертой этой статьи является её любовь к рамочным концепциям и ссылкам.
После аннотации авторы заявляют, что они структурируют своё обсуждение вокруг пяти «уровней» взаимодействия между ИИ и управлением цепочками поставок: интеллект, исполнение, стратегия, человек и инфраструктура. Каждому уровню отводится отдельный раздел, и остальная часть статьи организована согласно этой классификации.
С самой таксономией нет ничего принципиально неправильного. Вопрос всегда в следующем: какие решения меняются, потому что у нас теперь есть именно эта таксономия, а не другая? Если бы завтра мы сократили пять уровней до трёх или разделили их на восемь, изменился бы какой-нибудь заказ на покупку, перемещение или цена? Авторы никогда не пытаются ответить на этот вопрос. Эта структура функционирует как файловый шкаф для уже существующих идей; она не становится инструментом выбора.
Практики уже видели этот сценарий. В книге Введение в цепочку поставок я посвятил несколько страниц тому, как «планирование» стало маркетинговым лозунгом для корпоративных систем в 1990-х, даже когда они содержали не более чем прогнозирование на основе временных рядов и базовые формулы для расчёта страхового запаса. ERP-поставщики, за которыми последовали поставщики APS, ребрендировали обычное ведение записей как «интегрированное планирование», затем «расширенное планирование», а недавно — «цифровые двойники» и «контрольные башни». Терминология изменилась; таблицы и канцелярские процедуры под ними остались прежними.
Пятиуровневая архитектура в этой статье кажется ещё одним витком того же процесса. Она создаёт впечатление глубины, но нет никаких доказательств того, что она приводит к другим решениям, лучшей автоматизации или улучшенной экономике. Таксономия, которая не изменяет то, что происходит на складе или в процессе пополнения запасов, с точки зрения практика является украшением, а не прогрессом.
То же самое касается списка литературы и способа его использования. В статье подчёркивается, что она возникла в результате «обширного совместного процесса», в котором участвовали 42 исследователя, специалиста и лидеры в области технологий, многие из которых также внесли вклад в грядущую книгу авторов ИИ в цепочках поставок: Перспективы мировых лидеров мысли. Затем ссылки сильно опираются на этот же круг: многочисленные цитаты Коэна, Даи, Перакис и их соавторов, а также группа недавних рабочих документов и печатных статей авторской команды.
Снова, в цитировании собственной работы нет ничего незаконного. Проблема в том, что обширность списка представляется как некий аргумент сама по себе. Практики видят парад названий — «Как машинное обучение преобразит управление цепочками поставок», «Использование ИИ для обнаружения паники при покупке», «Крупные языковые модели для оптимизации цепочки поставок» — без указания того, как какой-либо из этих материалов работает при применении к полным, сложным корпоративным данным, принимая автоматические решения и оцениваясь по фактической прибыли и убыткам.
Если вы управляете сетью фабрик и складов, вас не волнует, сколько статей существует по теме. Вас интересует, существует ли числовой рецепт, который вы можете применить к своим данным, с учётом ваших ограничений, и который сделает завтрашние заказы на покупку, перемещения и цены более выгодными в денежном выражении, чем вчерашние. Для этого одна хорошо задокументированная реальная реализация, с полными экономическими результатами и чёткими ограничениями, стоит больше, чем дюжина видений и пятьдесят цитирований.
Статья об «эре ИИ» предлагает первое лишь в беглом, анекдотическом виде. Раздел «Оптимальное машинное обучение» упоминает два кейс-стади компании из списка Fortune‑150, где консалтинговая фирма якобы улучшила уровень обслуживания и снизила издержки на запасы. Читатель не получает базового уровня, ни контрфактических данных, ни подробностей о задействованном капитале или профиле риска до и после. В других отраслевых «дайджестах» сообщается, что JD.com создала сильную аналитическую команду и использовала ИИ для объяснения прогнозов руководству, или что гуманитарные организации могут использовать ИИ для лучшей предварительной организации запасов. Всё это может быть правдой; но ничего из этого не выходит за рамки маркетинговых буклетов.
Снаружи это выглядит как замкнутый цикл: круг авторов, цитирующих друг друга и своих студентов в поддержку рамочной концепции, о которой они уже договорились, с редкими историями практиков, приправленными сверху. Для академиков это может быть сигналом активности в сфере, для практиков — сигналом того, что здесь ничто не поможет им решить, сколько закупать на следующей неделе.
ИИ, прогнозирование и старый баланс планирования
Суть статьи — «уровень интеллекта» — посвящена самому ИИ. Здесь авторы описывают, как машинное обучение улучшает прогнозирование, как обучение с подкреплением может использоваться для контроля запасов, как развивающаяся парадигма, называемая «ИИ, ориентированный на принятие решений», внедряет оптимизационные цели в функцию потерь, и как крупные языковые модели (LLM) могут обеспечивать интерфейсы на естественном языке и «агентное рассуждение через цепочку мыслей» для решения сложных проблем цепочек поставок.
Многое из этого технически верно в узком смысле. Машинное обучение действительно может включать множество признаков; обучение с подкреплением действительно может изучать политики в условиях моделирования; LLM, действительно, могут анализировать и генерировать текст вокруг оптимизационных моделей. Проблема не в том, существуют ли эти инструменты; суть в том, решает ли их использование, как описано в статье, реальные структурные слабости парадигмы планирования в цепочках поставок.
Это не так.
Прогнозирование является хорошим примером. Авторы пишут, что машинное обучение «улучшает точность прогнозирования», и что продвинутые прогнозы спроса могут опираться на «сотни динамических переменных, поступающих как из внутренних, так и из внешних наборов данных». Позже, в своём обсуждении ИИ, ориентированного на принятие решений, они признают, что традиционные цепочки «сначала прогнозируй, затем оптимизируй» могут приводить к несоответствию между прогнозом и решением, и предлагают обучать модели непосредственно на затратах, связанных с последующими решениями.
Все это происходит так, как будто фундаментальная проблема прогнозирования в цепочках поставок заключается в отсутствии изощрённости моделей временных рядов. Это не так.
В книге я посвятил целый раздел тому, почему парадигма временных рядов структурно не подходит для бизнес-решений. Временной ряд сворачивает историю транзакций в последовательность чисел, индексированных временными интервалами. Это представление теряет существенную информацию. Две структуры спроса могут давать идентичные еженедельные показатели продаж — одна, где тысяча независимых клиентов покупают по одной единице в неделю, и другая, где один крупный клиент покупает все тысячу единиц. В первом случае спрос снижается постепенно; во втором — он может упасть за одну ночь. Еженедельный временной ряд не различает их, но риск дефицита кардинально различается.
Аналогично, продукт, продающийся десять единиц в неделю, может продаваться в виде десяти небольших корзин или одной большой корзины. Временной ряд идентичен; однако оптимальный запас существенно отличается, иногда в четыре раза и более. Прогнозирование на основе временных рядов, несмотря на всю свою изощрённость, не может восстановить информацию, утрачиваемую в процессе агрегации. Проблема не в добавлении большего количества признаков или более глубоких сетей; представление неверно для принятия решения.
Статья никогда не занимается этой структурной критикой. Она просто предполагает, как и бесчисленные статьи до неё, что улучшенный прогноз временных рядов является центральным узким местом в цепочке поставок и что машинное обучение является естественным ответом. Краткое упоминание потерь, ориентированных на принятие решений, является лишь инкрементальным: теперь модели оптимизируют более релевантную функцию потерь, но всё ещё обучаются на том же обедневшем объекте.
Что ещё хуже, когда статья касается конкретных критериев принятия решений, она обращается к привычным кандидатам: уровням обслуживания и затратам на запасы. OML получает похвалу за «значительное» улучшение уровней обслуживания и снижение затрат на запасы в кейс-стадиях. Основной экономический вопрос — сколько капитала следует инвестировать в какие варианты при каком уровне риска — так и не формулируется явно.
В книге я называю формулы страховочного запаса «опасными запасами» и отмечаю, что они служат лакмусовой бумажкой для грубой некомпетентности в цепочке поставок. Эти формулы зависят от выбора целевого уровня обслуживания — скажем, 95% — и трактовки этого показателя так, как будто он имеет внутреннюю связь с прибылью. Но это не так. Уровень обслуживания является заменой денежного компромисса между потерями от отсутствия запасов и затратами на их хранение. Если мы не оценим обе стороны и не вычислим компромисс явно, то целевые показатели «95%» или «97%» представляют собой нумерологию. Как я также отмечаю, уровень обслуживания стал классическим KPI «беглецом»: прокси, который вырвался из своих экономических корней и теперь управляет организацией, в то время как никто не обязан указывать реальные цены.
Статья Эра ИИ никогда не ставит под сомнение эту культуру KPI; она интегрирует ИИ в её основу. Прогнозирование улучшается; политики управления запасами могут быть скорректированы; уровни обслуживания становятся немного выше, а запасы — немного ниже, — и нам говорят, что это прогресс. Нет упоминания о ставках доходности с учетом риска, о том, как оцениваются варианты в условиях ограничения оборотного капитала, или о том, как оценивается производительность модели на границе, где рекомендации возвращаются в ERP и деньги действительно перемещаются.
Обращение с большими языковыми моделями — ещё один пример. Статья утверждает, что крупные языковые модели «обещают сделать инструменты продвинутого планирования более доступными» и могут обеспечить интерфейсы на естественном языке, которые «демократизируют доступ к продвинутым инструментам принятия решений».
В книге я утверждаю, что языковые модели, как правило, потребляют на порядки больше вычислительных ресурсов по сравнению со специализированными алгоритмами, выполняющими ту же задачу, и вряд ли смогут конкурировать в обработке числовых данных. Их истинная роль в цепочке поставок узка: ускорение написания и поддержки числовых алгоритмов и документации, а также извлечение признаков из неструктурированного текста. Использование их в качестве прогностических механизмов явно нецелесообразно: они «не подходят для прогнозирования временных рядов — или любой числовой работы» и показывают слабые результаты с высокими затратами по сравнению с базовыми статистическими моделями.
Видение, изложенное в статье, снова подыгрывает моде: крупные языковые модели становятся «агентными» решателями проблем, которые могут помочь настроить политики обучения с подкреплением и рассуждать по цепочке мышления о сложных решениях в цепочке поставок. Нет серьезного обсуждения числовой надежности, затрат или базового факта, что стохастические генераторы текста являются очень слабой основой для неконтролируемых обязательств, связанных с миллионами долларов инвестиций в запасы.
Лишенное блеска ИИ, то, что предлагает статья, является тем же равновесием планирования, которое доминирует десятилетиями: прогнозы в виде временных рядов, планы в виде пакетов временных рядов, уровни обслуживания как талисманы, люди, подтверждающие результаты. ИИ приглашается занять место на вершине этой структуры в роли улучшителя, а не оппонента, чтобы бросить вызов её предпосылкам.
Почему практики будут (и должны) отворачиваться
Ничто из этого не имело бы большого значения, если бы статья была лишь академическим упражнением. Но она явно предназначена как руководство для практиков и педагогов. Её авторы завершают призывами к исследователям, лидерам отрасли и университетам, призывая их создавать учебные программы, основанные на сотрудничестве человека и ИИ, разрабатывать схемы управления для «этического» внедрения ИИ и проектировать цепочки поставок, которые повышают «устойчивость, продуктивность и социальное благосостояние».
Проблема в том, что базовая ментальная модель никогда не покидает уют семинарской комнаты.
Нет настойчивости на том, чтобы методы тестировались на полномасштабных, хаотичных корпоративных данных, производящих неконтролируемые решения и оцениваемых по денежному эквиваленту. Нет требования, чтобы сверхэкономические вопросы переводились в цены, регулирования или количественно оцененные риски, прежде чем им будет позволено перевесить прибыль. Нет настойчивости на том, чтобы схемы обосновывались конкретными изменениями, которые они вызывают в выбросах — то, что покупается, перемещается и оценивается — а не количеством слайдов, которые они могут заполнить.
В главе 6.2 моей книги, обсуждая общий интеллект и роль программного обеспечения в цепочке поставок, я отмечаю, что многие опубликованные модели рассматривают ключевые решения по дизайну — цель, ограничения, допустимые варианты — как неявные. Они работают в рамках аккуратных, ограниченных задач, оставляя за кулисами ту грязную часть, за которую предприниматели реально получают оплату. Решение концептуально простое, хотя и сложное на практике: сформулировать экономическую цель в денежных терминах, перечислить допустимые варианты, определить условия остановки, а затем разбить работу на ограниченные подзадачи, которые машины способны решить.
Заявление о видении Эры ИИ не делает этого. Оно начинается с неопределенных прилагательных, наваливает классификацию, анализирует литературу, в основном написанную его же авторами и их коллегами, а затем призывает к большему числу подобных действий под эгидой ИИ. Оно красноречиво, искренне, и для любого, кто пытается управлять цепочками поставок, почти полностью не имеет смысла.
Именно поэтому практики игнорируют такого рода работы. Не потому что они антиинтеллектуальны, а потому что они поняли, часто самым жестким способом, что схемы без объективных функций, прогнозы без честного обсуждения ограничений представления, ИИ без экономической шкалы и этика без цен приводят к одному и тому же результату: впечатляющие презентации, скромные пилотные проекты и отсутствие устойчивого повышения нормы прибыли бизнеса.
Если академическая наука снова захочет иметь значение в цепочке поставок, ей придётся изменить модель, демонстрируемую в этой статье. Начните с экономики, а не с прилагательных. Переводите проблемы — экологические, социальные или иные — в явные компромиссы вместо моральных лозунгов. Оценивайте модели по их производительности на хаотичных данных, в условиях реальных ограничений, с неконтролируемыми решениями и деньгами на кону. Примите, что планирование временных рядов во многих задачах является тупиком, и что ИИ не является волшебным удобрением для несовершенной парадигмы.
До тех пор практикам не просто оправданно игнорировать такие видения. Они поступают осмотрительно.
