Почему практикам следует игнорировать это видение «эры ИИ» для цепочки поставок
Когда около сорока профессоров и представителей отрасли публикуют «заявление о видении» для цепочки поставок в эпоху ИИ, можно ожидать, что это поможет реальному специалисту по цепочкам поставок принимать более взвешенные решения в понедельник утром.
Статья, которую я имею в виду, — это Supply Chain Management in the AI Era: A Vision Statement from the Operations Management Community авторов Максима Коэна, Тинглонга Дая, Джорджии Перейкис и тридцати девяти соавторов. В её аннотации говорится, что сообщество управления операциями (OM) имеет «важную роль и ответственность» не только в формировании того, как ИИ трансформирует цепочки поставок, но и в обеспечении того, чтобы цепочки поставок, лежащие в основе ИИ, были «устойчивыми, гибкими и справедливыми». Далее статья разрабатывает пятиуровневую структуру — интеллект, выполнение, стратегия, человек, инфраструктура — и рассматривает обширный корпус литературы по OM и ИИ через эту призму.
На бумаге это звучит многообещающе. На практике это практически идеальная иллюстрация того, почему специалисты по цепочкам поставок правы, игнорируя основную часть академических исследований в нашей области.
В моей недавней книге Introduction to Supply Chain, я определяю цепочку поставок как умение управлять вариантами в условиях неопределенности в потоке физических товаров и утверждаю, что в рыночной экономике практическая цель цепочки поставок — повысить скорректированную с учетом риска доходность предприятия на каждый ограниченный ресурс, к которому оно прикасается — капитал, производственные мощности, время, деловую репутацию. Все общепринятые желаемые параметры — более высокий уровень обслуживания, сокращение сроков исполнения заказов, экологичный транспорт, более довольные сотрудники — имеют значение лишь в той мере, в какой они способствуют достижению долгосрочной прибыли, выраженной в твердой валюте. Цепочка поставок не является предметом моральной философии; это прикладная экономика, которая выживает или погибает по бухгалтерской книге.
Если оценивать по этому критерию, то это «заявление о видении» отмечает почти каждое предупреждение, которому я научился не доверять в академических трудах о цепочках поставок: сверхэкономическая демонстрация добродетелей, структуры, не затрагивающие реальные решения, лавина самоцитирования и упорное убеждение, что еще один слой моделирования временных рядов вместе с современным ИИ каким-то образом искупит парадигму планирования, которая уже десятилетиями подводила специалистов.
Позвольте мне объяснить почему.
Сверхэкономические ценности и этика чужих бухгалтерских балансов
Самое показательное предложение всей статьи встречается в аннотации:
«Сообщество управления операциями играет важную роль и несет ответственность за то, чтобы не только формировать, как ИИ трансформирует цепочки поставок, но и определять, как цепочки поставок, поддерживающие ИИ, должны быть спроектированы так, чтобы они были устойчивыми, гибкими и справедливыми.»
В заключении повторяется та же тройка ценностей с заявлением, что управление операциями должно направлять нас к цепочкам поставок, которые будут «более гибкими, справедливыми и устойчивыми».
Обратите внимание, что происходит здесь. Прежде чем рассказать нам, для чего нужны цепочки поставок, авторы указывают, какими прилагательными они должны обладать: устойчивыми, гибкими, справедливыми. Никакая явная экономическая цель не формулируется. Прибыль, производительность капитала, рентабельность с учетом рисков — эти показатели, если и упоминаются, появляются лишь косвенно. Статья просто предполагает, что «эффективность» и «устойчивость» существуют наряду с набором избранных моральных целей, и что обязанность сообщества управления операциями — продвигать их все одновременно.
В главе 4.4.5 моей книги «Сверхэкономические цели» я использую этот термин — сверхэкономический — именно для описания такой модели: апелляции к целям, которые якобы имеют приоритет над «просто» денежными соображениями и, таким образом, оправдывают преодоление дисциплины цен, затрат и альтернативных издержек. Иногда тон носит моралистический окрас («предприятие должно продвигать социальную повестку, выходящую за рамки обслуживания клиентов»); иногда — апокалиптический («надвигающаяся катастрофа требует немедленной жертвы прибыльности»). В обоих случаях суть остаётся той же: экономические расчёты тихо понижаются, в то время как предпочитаемая авторами забота возводится в ранг высшей.
Проблема не в том, что устойчивость или справедливость были бы неважны. Проблема в том, что дефицит не исчезает просто потому, что мы их называем. Каждый поддон, каждый человеко-час и каждая монета, направленные на одну цель, не могут быть использованы для другой. Как я пишу в книге: обращение к высшей цели «не устраняет дефицит; оно просто меняет ярлык на компромиссах … нет альтернативы прибыли и убыткам».
Если выбросы углерода имеют значение, они должны учитываться как затраты — через цены на углерод, регулирование, поведение клиентов или риск для бренда — чтобы альтернативные решения можно было сравнивать в общих единицах. Если справедливость имеет значение, мы должны указать, чья справедливость, по какой цене и с какими последствиями, опять же таким образом, чтобы это можно было отразить в решениях и впоследствии проверить. В противном случае мы всего лишь украшаем обсуждение прилагательными.
Тем не менее, статья видения «Эры ИИ» довольствуется заявлением, что цепочки поставок «должны» быть устойчивыми и справедливыми, никогда не уточняя, что эти слова означают на операционном уровне, кто за это платит и сколько это стоит. Например, в разделе о здравоохранении говорится, что цепочки поставок для доставки должны работать в условиях «строгих требований к безопасности и справедливости». С этической точки зрения это звучит обнадеживающе; с точки зрения цепочки поставок — пусто. Насколько безопасно «достаточно безопасно»? Для каких групп пациентов справедливость, с какими затратами в виде утраченной пропускной способности и по сравнению с какими альтернативами? Никаких чисел, никаких цен, никаких компромиссов.
Более того, статья представляет эти сверхэкономические цели как обязанность сообщества управления операциями, навязанную через чужие бухгалтерские балансы. Одно дело, когда парламент, после демократических дебатов, устанавливает налоги или стандарты безопасности. Совершенно иное, когда академики говорят менеджерам, что у них есть обязанность проектировать «справедливые» цепочки поставок без явного указания, от кого и кому они перераспределяют ресурсы. Первое — это политика; второе — в лучшем случае патернализм, а в худшем — тихое приглашение нарушить доверительные обязательства перед акционерами, держателями облигаций, сотрудниками и клиентами, которые могут не разделять те же приоритеты.
Как только вы принимаете, что любое дело может претендовать на сверхэкономический приоритет, не существует ограничивающего принципа. Как я отмечаю в книге, история изобилует примерами компаний, которые с энтузиазмом принимали участие в делах, впоследствии признанных катастрофическими — от открыто дискриминационного найма до благотворительной поддержки евгеники — вооружённых в то время впечатляющим «научным консенсусом». В каждом случае экономические расчёты уступали сверхэкономической риторике; в каждом случае ресурсы были растрачены, которые могли быть использованы для лучшего обслуживания клиентов.
Сверхэкономическая демонстрация добродетелей — это не безобидная изысканность. Это этический провал сам по себе, потому что он затуманивает суждения о компромиссах, расходуя ресурсы, которыми не располагают авторы. «Видение» цепочек поставок, которое начинается и заканчивается такой демонстрацией, учит следующее поколение практиков тому, что им следует оптимизировать прилагательные, а не учитывать жестко валютные последствия их решений.
Каркасы, уровни и иллюзия глубины
Второй особенностью этой статьи является любовь к каркасам и ссылкам.
После аннотации авторы заявляют, что структурируют своё обсуждение вокруг пяти «уровней» взаимодействия между ИИ и управлением цепочками поставок: интеллект, выполнение, стратегия, человеческий фактор и инфраструктура. Каждому уровню отводится отдельный раздел, и остальная часть статьи организована по этой классификации.
С точки зрения таксономии в ней нет ничего принципиально ошибочного. Вопрос всегда следующий: какие решения изменятся, если у нас теперь будет именно эта таксономия, а не другая? Если завтра мы объединим пять уровней в три или разделим их на восемь, изменится ли хоть один заказ, перемещение или цена? Авторы так и не пытаются ответить на этот вопрос. Этот каркас действует как шкаф для хранения уже существующих идей; он не становится инструментом выбора.
Практики уже видели похожее. В книге Introduction to Supply Chain я посвящаю несколько страниц тому, как «планирование» стало маркетинговым лозунгом для корпоративных систем в 1990-х годах, даже когда они содержали не более чем прогнозирование на основе временных рядов и базовые формулы страховых запасов. Сначала ERP-поставщики, затем APS-поставщики переименовали обычное ведение записей в «интегрированное планирование», потом в «расширенное планирование» и, недавно, — в «цифровые двойники» и «центры управления». Терминология изменилась; электронные таблицы и административные процессы под ними остались прежними.
Пятиуровневая архитектура в этой статье кажется очередным витком того же колеса. Она создает впечатление глубины, но нет доказательств того, что она приводит к иным решениям, лучшей автоматизации или улучшенной экономике. Таксономия, которая не меняет того, что происходит на складе или в процессе пополнения запасов, с точки зрения практиков является украшением, а не прогрессом.
То же самое относится и к списку литературы и тому, как он используется. В статье подчеркивается, что она является результатом «обширного совместного процесса», в котором участвовали 42 исследователя, практика и технологических лидера, многие из которых также внесли вклад в грядущую книгу авторов AI in Supply Chains: Perspectives from Global Thought Leaders. Ссылки затем сильно опираются на тот же круг: многочисленные цитирования Коэна, Дая, Перейкис и их соавторов, а также группа недавних рабочих статей и публикаций, находящихся в печати, от команды авторов.
Снова, в цитировании своих собственных работ нет ничего противозаконного. Проблема в том, что само обилие списка представлено как своего рода доказательство. Практикам демонстрируется череда названий — «Как машинное обучение преобразит управление цепочками поставок», «Использование ИИ для выявления панических покупок», «Большие языковые модели для оптимизации цепочек поставок» — без объяснения, как каждый из этих элементов работает при применении к полному набору, неупорядоченным корпоративным данным, приводящим к неучтенным решениям и оцениваемым по фактической прибыли и убыткам.
Если вы управляете сетью фабрик и складов, вам не важно, сколько статей существует по данной теме. Вас интересует, существует ли числовой алгоритм, который вы можете применить к своим данным в рамках ваших ограничений, и который сделает заказы, перемещения и цены завтрашнего дня выгоднее с точки зрения наличной валюты, чем вчерашние. Для этого одна хорошо задокументированная практическая реализация с полными экономическими результатами и ясными ограничениями стоит больше, чем дюжина видений и пятьдесят цитирований.
Статья об «Эре ИИ» предлагает первую в том же лишь мимолетном, анекдотичном виде. Раздел «Оптимальное машинное обучение» упоминает два примера компаний Fortune‑150, где консалтинговая фирма якобы улучшила уровень обслуживания и снизила расходы на запасы. Читатель не получает ни базовых данных, ни контрфактов, ни подробностей о совокупном задействованном капитале или профиле риска до и после. В других отраслевых «примерах» нам сообщают, что JD.com создала сильную аналитическую команду и использовала ИИ для объяснения прогнозов руководству, или что гуманитарные организации могут использовать ИИ для лучшего предварительного размещения запасов. Всё это может быть правдой; ничто из этого не выходит за рамки уровня маркетинговой брошюры.
Со стороны это выглядит как замкнутый круг: круг авторов, которые цитируют друг друга и своих студентов в поддержку уже принятого каркаса, с редкими рассказами практиков, добавленными сверху. Для академиков это может быть признаком активности в области. Для практиков это сигнал, что ничего из этого не поможет им решить, сколько закупать на следующей неделе.
ИИ, прогнозирование и старое равновесие в планировании
Суть статьи — «уровень интеллекта» — посвящена самому ИИ. Здесь авторы описывают, как машинное обучение улучшает прогнозирование, как обучение с подкреплением может применяться для контроля запасов, как новая парадигма под названием «ИИ, ориентированный на решения» внедряет оптимизационные задачи в функцию потерь, и как большие языковые модели (LLM) могут обеспечить интерфейсы на естественном языке и «агентное рассуждение посредством цепочки мыслей» для сложных проблем в цепочках поставок.
Многое из этого технически верно в узком смысле. Машинное обучение действительно может учитывать множество признаков; обучение с подкреплением действительно может обучаться политике в условиях моделирования; большие языковые модели действительно могут анализировать и генерировать текст вокруг оптимизационных моделей. Вопрос не в том, существуют ли эти инструменты; вопрос в том, решает ли их использование, как представлено в статье, реальные структурные слабости парадигмы планирования в цепочках поставок.
Нет, не решает.
Прогнозирование — хороший пример. Авторы пишут, что машинное обучение «улучшает точность прогнозирования», и что продвинутые прогнозы спроса могут основываться на «сотнях динамических переменных, поступающих как из внутренних, так и из внешних наборов данных». Позднее, в обсуждении ИИ, ориентированного на решения, они признают, что традиционные цепочки «сначала предскажи, затем оптимизируй» могут расходиться в предсказании и решении, и предлагают обучать модели непосредственно на затратах последующих решений.
Все это предполагается так, будто основная проблема прогнозирования в цепочках поставок заключается в отсутствии изысканности моделей временных рядов. Но это не так.
В книге я посвящаю целый раздел тому, почему парадигма временных рядов структурно непригодна для бизнес-решений. Временной ряд сводит историю транзакций к последовательности чисел, индексированных временными интервалами. Такое представление теряет информацию в существенных аспектах. Две структуры спроса могут дать идентичные недельные серии продаж — одна, где тысяча независимых клиентов покупают по одной единице в неделю, и другая, где один крупный заказчик покупает все тысячу единиц. В первом случае спрос снижается постепенно; во втором — может обрушиться за одну ночь. Недельный временной ряд не различает их, но риск отсутствия запасов радикально различается.
Аналогично, продукт, продающийся в количестве десяти единиц в неделю, может быть представлен десятью небольшими корзинами или одной крупной. Временной ряд будет идентичен; однако разумное положение запасов будет различаться как минимум в четыре раза. Прогнозирование по временным рядам, каким бы изысканным оно ни было, не может восстановить информацию, утраченную самим агрегированием. Дело не в добавлении большего числа признаков или более глубоких сетей; представление неверно для принятия решения.
Статья никогда не затрагивает эту структурную критику. Она просто предполагает, как и бесчисленные работы до неё, что улучшение прогнозирования временных рядов является центральным узким местом в цепочке поставок и что машинное обучение является естественным ответом. Краткое упоминание потерь, ориентированных на принятие решений, носит вспомогательный характер: модели теперь оптимизируют более релевантную функцию потерь, но всё ещё обучаются на том же обеднённом объекте.
Что еще хуже, когда в статье затрагиваются конкретные критерии принятия решений, авторы обращаются к привычным кандидатам: уровню обслуживания и затратам на запасы. OML хвалят за «значительное» улучшение уровней обслуживания и сокращение затрат на запасы в кейс-стади. Основной экономический вопрос — сколько капитала следует выделить для каких опций при каком профиле риска — никогда не формулируется явно.
В книге я называю формулы безопасных запасов «опасными запасами» и отмечаю, что они служат лакмусовой проверкой явной некомпетентности в цепочке поставок. Эти формулы основаны на выборе целевого уровня обслуживания — скажем, 95% — и трактовке этого процента так, как будто он обладает внутренней связью с прибылью. Но это не так. Уровень обслуживания является заменителем денежного компромисса между потерями при отсутствии товара и затратами на его хранение. Если мы не установим цены для обеих сторон и не вычислим компромисс явно, то нацеленность на «95%» или «97%» превращается в нумерологию. Как я также отмечаю, уровень обслуживания стал классическим «убежавшим» KPI: прокси, который вырвался из своих экономических корней и теперь управляет организацией, в то время как никто не обязан устанавливать фактические цены.
Статья Эпохи ИИ никогда не ставит под сомнение эту культуру KPI; она интегрирует ИИ в неё. Прогнозирование улучшается; политики управления запасами могут корректироваться; уровни обслуживания немного повышаются, а запасы немного уменьшаются — и нам говорят, что это прогресс. Никак не упоминаются скорректированные по риску нормы доходности, способы оценки опций с учетом ограничения оборотного капитала или критерии оценки производительности модели на границе, где рекомендации возвращаются в ERP-систему, и деньги действительно перемещаются.
Обращение с крупными языковыми моделями — еще один пример. В статье предполагается, что LLM «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 в целом потребляют на порядки больше вычислительных ресурсов, чем специализированные алгоритмы, выполняющие ту же задачу, и вряд ли будут конкурентоспособны при обработке числовых данных. Их истинная роль в цепочке поставок узка: ускорение написания и поддержки числовых рецептов и документации, а также извлечение признаков из неструктурированного текста. Использование их в качестве прогнозирующих механизмов — явно ошибочно: они «не предназначены для прогнозирования временных рядов — или для любой числовой работы» и демонстрируют низкую эффективность при высоких затратах по сравнению с базовыми статистическими моделями.
Визионерская статья, опять же, следует моде: LLM превращаются в «агентных» решателей задач, которые могут помочь настраивать политики обучения с подкреплением и рассуждать, используя цепочку мыслей, о сложных решениях в цепочке поставок. Нет серьезного обсуждения числовой надежности, затрат или основного факта, что стохастические генераторы текста являются очень плохой основой для необслуживаемых обязательств, затрагивающих запасы на миллионы долларов.
Лишенная блеска ИИ, статья предлагает то же самое равновесие в планировании, которое доминирует десятилетиями: прогнозы как временные ряды, планы как наборы временных рядов, уровни обслуживания как талисманы, а люди подтверждают результаты. ИИ приглашают занять вершину этого стека в качестве усилителя, а не для того, чтобы оспаривать его предпосылки.
Почему практики (и должны) отвернуться
Ничто из этого не имело бы особого значения, если бы статья была просто академическим упражнением. Но она явно позиционируется как руководство для практиков и преподавателей. Ее авторы завершают призывами к исследователям, лидерам отрасли и университетам, прося их создавать учебные программы, основанные на сотрудничестве человека и ИИ, разрабатывать рамки управления для «этичных» развертываний ИИ и проектировать цепочки поставок, повышающие «устойчивость, производительность и социальное благосостояние».
Проблема в том, что базовая ментальная модель никогда не покидает комфорт семинарской комнаты.
Не требуется, чтобы методы тестировались на полномасштабных, хаотичных корпоративных данных, порождающих необслуживаемые решения, которые оцениваются по денежному показателю. Не настаивают на том, чтобы надэкономические вопросы переводились в цены, нормы или количественные риски до того, как им разрешат перевесить прибыль. Не требуют, чтобы рамки обосновывались конкретными изменениями в том, что приобретается, 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 указываю, что многие опубликованные модели воспринимают ключевые решения — цель, ограничения, допустимые варианты — как неявные. Они работают в рамках аккуратных, ограниченных задач, оставляя неупорядоченную часть, за которую предприниматели действительно получают деньги, за кулисами. Решение концептуально простое, хоть и трудное на практике: сформулировать экономическую цель в денежном выражении, перечислить допустимые варианты, определить условия остановки, а затем разбить задачу на ограниченные подпроблемы, которые машины могут решить.
Заявление о видении Эпохи ИИ этого не делает. Оно начинается с неопределённых прилагательных, наслаивает классификации, охватывает литературу, в основном написанную его собственными авторами и их коллегами, и затем призывает к ещё большему количеству подобных работ под эгидой ИИ. Оно красноречиво, искренне и, для любого, кто пытается управлять цепочкой поставок, почти полностью не имеет отношения к делу.
Именно поэтому практики игнорируют такого рода работы. Не потому, что они антиинтеллектуальны, а потому, что убедились, зачастую нелегким способом, что рамки без объективных функций, прогнозы без честного обсуждения ограничений представления, ИИ без экономической мерки и этика без цен сводятся к одному и тому же результату: впечатляющим презентациям, скромным пилотным проектам и отсутствию стабильного повышения нормы прибыли бизнеса.
Если академическое сообщество хочет вновь играть значимую роль в цепочке поставок, ему придется изменить подход, так явно показанный в этой статье. Начните с экономики, а не с прилагательных. Превратите проблемы — экологические, социальные или иные — в явные компромиссы вместо моральных лозунгов. Оценивайте модели по их результатам на хаотичных данных, при реальных ограничениях, с необслуживаемыми решениями и реальными деньгами на кону. Примите, что планирование временных рядов для многих задач является тупиковым решением, и что ИИ не является волшебным удобрением для ошибочной парадигмы.
До тех пор практики не только имеют право игнорировать такие заявления о видении, но и поступают разумно.
