00:00:00 Влияние генеративного ИИ на цепочки поставок
00:02:06 Реальность рекламных акций в ИИ
00:03:35 Сравнение потенциала генеративного ИИ и его хайпа
00:04:56 Позитивный взгляд на потенциал ИИ
00:06:54 Риски преждевременного внедрения технологий
00:08:21 Использование ИИ для роста, основанного на любознательности
00:10:14 Генеративный ИИ как современная умная Википедия
00:11:34 Языковые модели предоставляют понимание процессов
00:13:39 Расширение обратной связи от клиентов с помощью LLM
00:15:37 Эволюция пользовательских интерфейсов с использованием естественного языка
00:17:38 Генерация документов посредством анализа LLM
00:19:43 Когда LLM воспринимаются как коллеги, сдвигается влияние
00:21:37 Будущие решения при участии цифровых коллег
00:26:46 Разумное делегирование задач агентам ИИ
00:29:02 Повышение эффективности в планировании спроса
00:30:58 Понимание динамики прогнозирования и ценообразования
00:32:51 Протоколы обзора спроса способствуют зрелости процессов
00:35:08 Joannes исследует потенциал будущего ИИ
00:37:14 Связывание дискуссий на встречах представляет сложность для LLM
00:40:26 Обзоры спроса на встречах повышают эффективность
00:44:34 Инструменты ИИ меняют участие в встречах
00:48:49 Эволюция коммуникаций подчеркивает проблемы конфиденциальности
00:52:39 Технологии влияют на практики деловой секретности
00:55:43 Генеративный ИИ исследует изменения восприятия
00:57:00 Сложная реальность ИИ: алгоритмы против генеративного ИИ
00:58:10 Генеративный ИИ как преемник блокчейна
00:59:45 Культурные дисфункции приводят к растрате денег
01:00:38 Интуиция предотвращает финансовые потери от генеративного ИИ
01:03:00 Практические уроки для цепочек поставок на уровне совета директоров
01:05:39 Механизация интеллектуальных задач в современную эпоху
01:09:02 Перспективы повышения продуктивности через автоматизацию
01:11:02 Завершение интервью прощальными словами
Резюме
Шум вокруг генеративного ИИ превышает показатели баланса. Краткосрочные выгоды скромны — ускорение рутинных процессов, более умный отбор задач, дисциплина на совещаниях с участием человека. В долгосрочной перспективе это может сравниться с контейнеризацией, если будут согласованы стимулы. Запреты лишь переводят использование на телефоны; рамки и меры предосторожности эффективнее запретов. «Разрыв в ценности» указывает не на технологию, а на «театр закупок»; лидерам нужны механическое понимание и доказательства, а не RFP с 600 вопросами. LLM не обучаются; ограничения контекста и RAG остаются узкими местами, поэтому курирование имеет значение. Дело для совета: механизировать интеллектуальную работу или отстать. На производстве: меньше рутины, лучше стандартные настройки. Оптимисты говорят о пяти годах; пессимисты — о двадцати. Так или иначе, сегодняшний «спектакль» со спредшитами живет на заемном времени.
Расширенное резюме
Генеративный ИИ вызвал больше шума, чем показатели баланса. Панель экспертов согласна, что краткосрочные эффекты для цепочек поставок скромны, но реальны: ускорение административных процессов, улучшенный отбор документов и освобождение от повторяющейся работы. В долгосрочной перспективе изменения могут оказаться столь же значимыми, как контейнеризация, если организации согласуют стимулы и ожидания. Хайп обещает «решения», а реальность предлагает компромиссы.
Две силы тянут в противоположных направлениях. С одной стороны, практические выгоды: языковые модели выступают в роли «умных справочников», стабилизируют хрупкие случаи применения RPA, извлекают сигнал из свободной обратной связи от клиентов и поставщиков, и позволяют создавать современные информационные панели. Они также могут выступать в роли «цифрового коллеги» под руководством, который подталкивает совещания к принятию мер и развитию зрелости — при условии, что человек остается в процессе. С другой стороны, важны технические ограничения: сегодняшние LLM не обучаются по-настоящему; они работают в рамках статических параметров и постоянно растущих окон контекста, которые могут отвлекать. Так называемое «крыло знания» остается организационной проблемой, замаскированной под техническую. RAG помогает, но масштаб и фильтрация по релевантности все еще налагают затраты.
Политические выборы имеют последствия. Компании, пытающиеся запретить использование LLM, обнаружат обходные пути на личных устройствах, потому что экономия времени слишком значительна, чтобы ее игнорировать. Разумные меры предосторожности — защита конфиденциальности, обработка данных и расходы — эффективнее общих запретов, которые стимулируют теневое IT. Прозрачность, применяемая осмотрительно, может улучшить сквозную производительность; же секретность как рефлекс часто сохраняет дисфункцию, а не дает преимущества.
«Разрыв ценности ГенИИ» говорит меньше об ИИ, чем о ритуалах закупок. Когда руководители не испытывают «механического понимания» технологии, они одобряют пилотные проекты, предназначенные для «решения проблемы мирового голода», а затем объявляют отрасль разочарованием. Лекарство — не еще один модный термин, а лучшее управление: концептуальные доказательства с реальными данными, измеримые результаты и повествование, связывающее доступность с выручкой и маржей — а не рассматривающее цепочку поставок как затратное разделение.
На уровне совета директоров дело просто: XXI век механизирует интеллектуальный труд так же, как XX век механизировал физический труд; конкуренты, автоматизирующие армию административных работников, будут действовать быстрее с меньшим количеством ошибок. На производстве предложение должно быть практичным: инструменты, устраняющие рутину, предлагающие лучшие стандартные настройки и делающие планировщиков эффективнее — без превращения систем в черные ящики.
Сроки разделяют оптимистов и пессимистов. Если модели улучшат обработку контекста и организации научатся курировать знания, значимые выгоды могут быть достигнуты в течение пяти лет; если культура и процессы отстают, более реалистичный срок — двадцать лет. В любом случае, статус-кво — стены из информационных панелей, рутинные таблицы и театральные процессы отбора — не переживут столкновения с нарастающей эффективностью.
Полный транскрипт
Conor Doherty: Цепочки поставок обсуждают генеративный ИИ не менее двух лет. Однако в сентябре 2025 года тон обсуждения немного изменился. Теперь люди задаются немного другим вопросом: какое влияние он оказал? И последующий вопрос: было ли это влияние положительным или отрицательным?
Сегодняшний гость, Knut Alicke, присоединился к Joannes и мне в студии в Париже, чтобы обсудить именно этот вопрос. Knut является партнером-эмеритом в McKinsey. Он преподает управление цепями поставок более 25 лет и, что особенно впечатляет, прекрасно играет на саксофоне.
Прежде чем мы перейдем к обсуждению, вы знаете правила: если вам нравится то, что мы делаем в Lokad, и вы хотите нас поддержать, подписывайтесь на нас в LinkedIn и на YouTube-канале. Итак, представляю сегодняшнюю беседу с Knut Alicke.
Knut, спасибо, что присоединились к нам. Приятно видеть вас в студии. Кажется, это ваше третье появление на LokadTV.
Knut Alicke: Да, я тоже так считаю, и впервые здесь лично, так что очень рад быть здесь. И вы фактически первый человек, кто сел на новый диван Lokad — вы и Joannes осваиваете его, конечно, профессионально.
Для начала, Knut, я уверен, что многие вас уже знают. Вы — партнер-эмерит в McKinsey; вы преподаете науку о цепях поставок и управление ими уже 25 лет. Так что мой первый вопрос для установления контекста: где же вы находите время, чтобы играть на саксофоне?
В общем, оглядываясь назад, я действительно получал удовольствие от игры на саксофоне, и провел время в армии, играя в оркестре. Именно там я увлекся тренировками гораздо больше, чем обычные студенты. Я стараюсь поддерживать свой уровень; это означает практиковаться ночью или на выходных и всегда иметь группу, которая держит тебя в тонусе.
Conor Doherty: Просто для записи: вы играли музыку в армии. Так что, фактически, вы прожили довольно много жизней. Влияет ли это на ваш подход к бизнесу и цепочке поставок?
Knut Alicke: Не думаю, что это повлияло. Я был слишком молод, чтобы тогда быть под влиянием этого. Мне было 19, и я просто наслаждался одним годом интенсивных тренировок с утра до ночи, а затем наслаждался прекрасными концертами в Гамбурге. Именно там я получил удовольствие от посещения множества джазовых концертов и совершенствования своих навыков.
Conor Doherty: Думаю, мы все здесь поклонники джаза, но мы также и поклонники генеративного ИИ, что, как мне кажется, объединяет нас в студии. Joannes, я скоро обращусь к вам, но сначала, Knut, скажите свое мнение. Я изложу утверждение, затем задам вопрос, и вы сможете ответить.
Утверждение таково: цепочки поставок — и, я бы сказал, весь мир в целом — обсуждают генеративный ИИ не менее, скажем, двух лет. Это изменило ландшафт цепочек поставок. Это утверждение. А вопрос следующий: согласны ли вы с этим? И если да, то стало ли это лучше или хуже?
Knut Alicke: Я бы сказал, что пока изменений не произошло существенно. То, что я вижу, — это то, что генеративный ИИ существенно изменит способ управления и эксплуатации цепей поставок. Я всегда сравниваю это с изобретением контейнера: нечто, что изменило глобальные потоки товаров, сделало их более эффективными, простыми и стандартизированными. Сейчас я наблюдаю то же самое с генеративным ИИ; мы находимся в похожем периоде.
В то же время, сейчас вокруг этого создается огромный хайп. Люди всегда переоценивают влияние новой технологии в краткосрочной перспективе и недооценивают его в долгосрочной. Если взглянуть на то, что возможно сегодня с генеративным ИИ — все мы используем ChatGPT — и подумать о том, что может быть достигнуто в цепочке поставок для повышения эффективности и облегчения работы планировщиков, мы увидим многое в ближайшие пару лет. Но также нужно сказать, что пока ранние этапы; прошло всего два года, и модели улучшаются настолько быстро. Все изменится, и я уверен, что позже мы приведем более детальные примеры.
Conor Doherty: Joannes, вы согласны с Knut? Это было к лучшему или к худшему?
Joannes Vermorel: Я бы сказал, однозначно к лучшему, но пока изменения незначительны. Эти небольшие улучшения очень хороши; эти инструменты чрезвычайно полезны. Прямо сейчас речь идет о том, как люди используют GPT в обход для ускорения задач, которые раньше были административной рутиной, и это очень хорошо.
Модели развиваются огромными темпами. То, что у них больше контекста, означает, что вы можете загрузить довольно длинные документы и сказать: «Найдите в этом соглашении, указан ли конкретный термин», а раньше поиск в 50-страничном документе занимал бы час; здесь это можно сделать за полминуты. Так что это определенно положительная вещь.
Что касается будущего, — я согласен с вашим утверждением о воздействии в краткосрочной и долгосрочной перспективе. Прямо сейчас, как мы преподаем, одна из сложностей генеративного ИИ заключается в том, что студенты могут полностью обойти выполнение домашних заданий. Больше нет понятия «домашнее задание студента»; ChatGPT просто выполнит его. Для профессора практически невозможно разобраться, кроме как заявить: «Я поставлю плохую оценку всем студентам, которые сдадут работу без орфографических ошибок», потому что, если ошибок нет, предполагаю, что это написал ChatGPT.
То, что люди могут быть потенциально неправильно образованы из-за этого разрыва, может создать проблемы. Но для компаний, когда речь идет о генеративном ИИ, те, кто действительно рискуют с этими технологиями, похожи на компании, полностью вкладывающиеся в кодирование настроения. Это тот сегмент, который в цепочке поставок еще даже не начал свою работу.
Насколько я понимаю, люди все еще используют его в очень поверхностном режиме. В тех случаях, где он применяется, действительно достаются «низко висящие плоды», быстрые победы, без сомнений. Более опасные, сложные и значимые применения, насколько я понимаю, еще даже не начались.
Knut Alicke: Позвольте прокомментировать — несколько идей. Если сравнить с 25-летней давностью, когда появился интернет, многие компании по сути блокировали доступ в интернет. Сотрудникам не разрешали пользоваться интернетом, ведь боялись, что они будут читать новости и не выполнять свою работу или заниматься личными делами. Сейчас это нормально, и это приносит много пользы.
Множество крупных компаний сейчас также блокируют ChatGPT или другие большие языковые модели. Это худшее, что можно сделать. Вам нужно убедиться, что вы обучаете своих сотрудников, как пользоваться этими моделями. Необходимо создать среду, в которой они смогут использовать их без загрузки секретной информации и тому подобное. В конечном итоге, вы хотите видеть любознательную организацию, которая учится и исследует возможности.
То же самое со студентами: когда я преподаю, я прошу своих студентов: «Пожалуйста, решите этот вопрос также с помощью ChatGPT, а затем определите, где решение правильное, а где ошибочное», чтобы стимулировать и даже поощрять их к использованию этой технологии. Иначе мы никогда не узнаем, что возможно.
Joannes Vermorel: Я думаю, что компании, блокирующие LLM, вновь столкнутся с тем, что происходило в начале 2000-х, когда люди просто подключались к интернету через свои мобильные устройства и EDGE-соединение, чтобы обойти ограничения, которые были настолько раздражающими. Люди будут делать это со своим мобильным телефоном. Если заблокировать доступ на корпоративном уровне, сотрудники воспользуются своими личными аккаунтами на смартфонах, потому что для административных задач прирост продуктивности настолько велик, что сопротивляться очень трудно.
Очень трудно убедить кого-то, что этот человек должен тратить три часа на выполнение крайне утомительной задачи, когда есть инструмент, который может сделать это за пять минут. Как только человек почувствует моральное оправдание для этой одной вещи, соблазн использовать его для всех остальных задач становится слишком велик.
Conor Doherty: Это возвращает нас к вопросу краткосрочной и долгосрочной перспективы. В краткосрочной перспективе, Knut, какие основные положительные воздействия, на ваш взгляд, оказал генеративный ИИ в контексте цепочки поставок?
Knut Alicke: То, что мы видим — и это уже работает — заключается в том, что если вы что-то не понимаете, вы используете его как очень умную Википедию. Вы ищете информацию и обучаетесь. Мы наблюдаем случаи, когда весьма административные, повторяющиеся задачи можно решать с помощью того, что я бы назвал умной роботизированной автоматизацией процессов. RPA сталкивался с трудностями, когда процессы немного менялись; приходилось перепрограммировать процесс. Здесь вы видите ранние победы.
Если немного продвинуться вперёд, то мое видение применения GenAI таково: типичные процессы в цепочке поставок чётко определены — с алгоритмической точки зрения ясно описаны — но реальность говорит о другом. Люди находят обходные пути: ручное изменение чисел, отсутствие доверия, и так далее. Результат оказывается не таким, как ожидалось.
Вот здесь проявляется сила языковых моделей: вы не видите в данных причин, по которым процессы не работают. Вы просто наблюдаете, как падает точность прогноза. Почему так происходит? Потому что этот человек изменил числа — и вы не понимаете почему. Почему бы не создать «аватара цепочки поставок», цифрового Йоаннеса, который обсудил бы с этим человеком, изменившим число, и затем постепенно выяснил, в чем дело? Настоящая причина может заключаться в том, что они не доверяют планировщику; они хотят обслуживать своих клиентов; в прошлом у них возникали случаи дефицита товара. Затем вы исправляете это, налаживая доверие или увеличивая запасы. Вот где модели могут добавить огромную ценность.
Конор Доэрти: Это почти как инструмент для косвенного улучшения процесса — дискурсивное взаимодействие: «Почему ты так сделал?» Йоаннес, есть ли другие примеры интеграции LLM, когда они меняют процесс, оставаясь почти без присмотра?
Йоаннес Верморель: Да. Например, если подумать о качестве обслуживания: у многих компаний существуют различные варианты Net Promoter Score. Они опрашивают свою клиентуру раз в неделю, раз в месяц; в сегменте B2C может проводиться выборочный опрос. Традиционный метод — это вопросы с вариантами ответов, что дает очень низкое разрешение. Почему так делают? Потому что если поступить иначе, получится 200–500 свободных ответов, с которыми сложно что-то сделать.
С помощью LLM внезапно нет необходимости заставлять клиентов давать обратную связь в заранее установленных рамках. Возможно, клиент пожалуется на то, что вы даже не считали проблемой: «Я получил устройство с американской вилкой вместо британской. Я решил проблему, но это было раздражающе.» Ваш чек-лист «Был ли продукт поврежден? Да/Нет?» отвечает «нет» — но проблема остается.
Традиционно все, что предоставляется в свободной форме, было обременительным. То же касается и поставщиков. С LLM можно представить системы, где партнеры дают свободный ввод, а LLM преобразует его в статистику без жестких предположений, сужающих проблему в аккуратные рамки. Это позволяет глубоко переосмыслить процесс.
Кнут Алике: Если развить эту мысль, то все, что связано с созданием дашбордов. Когда вы внедряете новую систему, значительное время уходит на определение того, что нужно видеть, после чего это жестко зафиксировано. У всех появляются новые идеи. Представьте мир, в котором вы общаетесь со своей системой — с вашим LLM — и говорите: «Я хочу видеть это и то. Пожалуйста, выдели это по оси x, то по оси y», и вы это видите. Если вам нравится, оно становится стандартом; если нет, вы уточняете.
Пользовательский интерфейс будет реализован на естественном языке, чтобы вы могли найти то, что вам нужно. Кроме того, система должна предлагать то, что вы упустили. Вы запрашиваете один KPI, затем другой, но забываете про уровень обслуживания — что невероятно важно. Тогда этот цифровой Йоаннес может сказать: «Интересно, что вы обращаете внимание на эти два показателя, но вы также рассмотрели вопрос обслуживания? Вы изучили, как обслуживание коррелирует с запасами? Что-то здесь зреет?»
Йоаннес Верморель: В Lokad мы рассматриваем эту проблему, но совсем по-другому. Типичная проблема дашбордов заключается в том, что очень быстро в корпоративной среде появляется огромное количество метрик — тонны чисел. И тогда проблема сводится к вопросу: на что именно я смотрю?
Возьмем, например, срок поставки, измеряемый в днях. Это рабочие дни или календарные дни? Исключаем ли мы выбросы? Если что-то никогда не было доставлено, считается ли это как бесконечность? Или, скажем, тысяча? Существует множество конвенций. Наш подход состоит не в динамической компоновке дашборда, а в генерации чрезвычайно подробной документации «на лету», когда LLM анализирует весь код, приведший к этому числу, и формулирует на английском сути важных моментов. Каков охват? Что мы отфильтровали? Насколько далеко в прошлое?
Мы тонем в дашбордах и числах, и семантика здесь сложна. Это битва, которую мы ведем.
Кнут Алике: Позвольте предложить еще одну идею, которую я обсуждал с клиентом: в бережливом производстве мы знаем метод «Пять Почему» — или, как говорят родители, знающие метод «Пять Почему». Вы спрашиваете, почему что-то происходит, затем опять спрашиваете «почему», пока не достигнете коренной причины. Это чрезвычайно мощный метод. Развивая тему ваших стен KPI: если что-то идет не так, используйте LLM, чтобы углубиться, углубиться и углубиться, пока не найдете реальную причину и не поймете, где нужно изменить параметр — например, запасы — для повышения эффективности.
Йоаннес Верморель: Абсолютно. Снова, люди часто воспринимают любую новую технологию, особенно ИИ, как инструмент для использования. Но когда вы о ней говорите, Кнут, вы представляете ее как коллегу, с которым взаимодействуешь — цифрового члена команды.
Конор Доэрти: Можно ли так сказать?
Кнут Алике: Да, именно так. Давайте представим, что мы нанимаем нового коллегу из университета. Он или она приходит и проходит обучение; у нас есть наставник, коуч. Новый коллега сначала выполняет простые задания, затем более сложные. Сначала, возможно, они решат закупать товары за 10 евро; со временем — за 100 000 евро. Мы развиваем этого коллегу. Никто не ожидает, что новичок знает всё с самого начала.
Интересно, что когда мы внедряем инструмент планирования, планировщик ожидает, что инструмент будет творить чудеса и знать всё. Почему бы не сделать GenAI-бота в качестве цифрового коллеги? Его также нужно обучать: деловому контексту, особенностям конкретного клиента, который всегда жалуется на то, что мы не следуем принципу «сначала самый громкий», и так далее. Мы обучаем модель понимать наш специфический контекст.
Модель обладает огромной скоростью — способна обрабатывать и анализировать данные так, как это невозможно человеку. Если объединить это со специфическими знаниями, получится настоящий цифровой коллега. Я предвижу будущее, где опытные бизнесмены будут общаться с этой моделью как с коллегой и значительно улучшать качество своих решений. Им не придется заниматься рутинной работой — копированием данных в Excel и из него — а их спросят: «Вы об этом подумали? Вы изучили это?» Затем, сочетая это со своим опытом, они придут к гораздо лучшему решению.
Конор Доэрти: Мне нравится эта метафора — или, скорее, сравнение. Если взять пример наставника: вы не выбираете кого попало. Для эффективного обучения необходим определенный набор навыков. Какие важные умения должен иметь этот наставник, чтобы обучать LLM? Нужно ли быть экспертом-программистом или компьютерным ученым?
Кнут Алике: Нужно быть открытым, любознательным, прозрачным. Хороший наставник не только обучает, но и открыт для обратной связи — взаимного обмена. Я начал обучать цифровую копию самого себя — цифрового Кнута. В какой-то момент я был очень расстроен, потому что думал: «Этот цифровой Кнут ничего не знает. Он меня не знает». Потом я понял: если бы это был настоящий коллега, я тоже был бы расстроен, но продолжил бы его наставлять и развивать. С цифровым коллегой мое цифровое «я» тоже нужно развивать. То же самое.
Йоаннес Верморель: Здесь мы затрагиваем глубокое ограничение GenAI: сейчас LLM ничего не учатся. Технически, у вас есть предварительно обученная модель — вы загружаете значительную часть интернета, Википедию и другое для обучения, и получаете статичную модель. Параметры не изменяются. У ChatGPT вообще нет памяти; он не хранит состояние. Единственное, что можно настроить — это контекст.
К счастью, за последний год контекст значительно расширился. Последняя модель — например, GPT-5 на уровне API — имеет окно контекста объемом 400 000 токенов. Это огромно. Вы не можете использовать всё это для входных данных; примерно, на ум приходит не более 270 000 токенов для ввода; остальное используется для рассуждений, поскольку нужно место для логической обработки.
Но сложность текущей парадигмы в том, что у нас есть модели с некой кристаллизованной интеллектуальностью, но она статична. Вы можете добавить контекста, но модель не может стать действительно умнее; она остается такой же интеллектуальной, как в первый день. Вы можете обогатить контекст.
Кто будет поддерживать этот контекст? В технических терминах люди говорят о «колесе знаний». Кто его поддерживает? Это сам LLM поддерживает это колесо — добавляя или удаляя фрагменты знаний из своего банка информации? ChatGPT делает это, если вы ему позволите — он запоминает факты о вас и вновь их вводит. Но добавление слишком большого объема контекста превращается в отвлекающий фактор. Вы можете добавить сотни страниц контекста, но LLM, чтобы ответить на любой вопрос, должен загрузить этот контекст, что может ухудшить производительность из-за нерелевантной информации.
Таким образом, чтобы иметь агента LLM в качестве настоящего коллеги, с одной стороны у вас получается сверхинтеллект, а с другой — он оказывается крайне ограниченным, ведь он никогда не может научиться чему-либо, по крайней мере в текущей парадигме.
Конор Доэрти: Даже если принять оба утверждения как есть, все же остаются задачи, которые можно поручить этому цифровому коллеге, и задачи, которые следует оставить за человеком. Кнут, во-первых: какие задачи вы бы с готовностью делегировали цифровому коллеге, а за какими оставляли бы контроль человеку?
Кнут Алике: Не уверен, что стал бы полностью делегировать что-либо. Я бы всё равно оставил человека в процессе — это чрезвычайно важно. Например, когда мы проводим диагностику, вы собираете данные, проводите анализ; в цепочке поставок затем берете интервью у людей для понимания прогнозирования, обзора спроса, S&OP и так далее. Это не обязательно дает полную правду. Это как прогулка по Gemba в производстве: в переговорной объясняют красивый и блестящий процесс, а на производственном цехе всё выглядит иначе.
Здесь я вижу, что GenAI может добавить огромную ценность, наблюдая за процессом. Представьте встречу по обзору спроса. Часто презентация подготовлена некачественно, повестка дня не соблюдается, действия не определены. Многие люди подключаются с выключенным видео и микрофоном, не вносят никакого вклада; говорят только немногие. Если ваш GenAI-бот будет слушать и давать обратную связь ведущему — «Сделай так, здесь что-то не так» — то это можно масштабировать массово. Если у вас 200 специалистов по цепочкам поставок, вы сможете наставлять всех 200: «Смотрите, здесь можно было бы сделать лучше или иначе». Вот так вы обучаете людей.
Сегодня такие приложения мы видим в закупках. Агенты уже могут приносить пользу в работе с «длинным хвостом» расходов, где имеется много мелких категорий или товаров, которые никогда не проверяются должным образом из-за ограничений во времени и персонале. Если агент проводит анализ, сравнения и инициирует пересмотр цен, это может принести ценность как «низко висящий фрукт» уже сегодня. Это возможно относительно без присмотра и с небольшим бюджетом для длинного хвоста; вы бы не использовали это для товаров с высокой стоимостью, но для длинного хвоста это работает, а затем вы переходите к другим категориям.
Конор Доэрти: Пример, который вы описали — ваш AI-бот, контролирующий встречи — если не по секрету, вы рассказали об эксперименте, точно симулирующем это. Вы сказали, что провели его около 20 раз с разными обменами. Можете ли вы объяснить это еще раз?
Кнут Алике: Я создал синтетический набор данных — синтетическую компанию — чтобы поэкспериментировать с данными, максимально приближенными к реальным. Я провел анализ: «Что происходит с этим прогнозом? Можете ли вы сделать прогноз? Что происходит с ценообразованием? Какова корреляция с акциями?» Затем я также создал ручные вводы: я взял двух специалистов по прогнозированию спроса. Один увеличивал прогноз; другой улучшал его. Классический KPI — добавленная ценность прогноза — у первого был очень плохим, у второго — хорошим.
Затем я поговорил с ChatGPT в голосовом режиме, заявив, что я тот самый специалист по спросу, потому что хотел понять, как отреагирует модель. У модели был весь контекст о компании, SKU, о клиентах, о колебаниях, о положительном уклоне первого специалиста. Я жаловался, что люди из цепочки поставок меня не понимают, производственные сотрудники никогда не поставляют то, что мне нужно, и поэтому мне нужно увеличить прогноз. Я немного перестарался, но это отражало реальность.
Что произошло, было интересно: бот слушал и постепенно начал рекомендовать, что следует делать по-другому. Он не сказал сразу: «Ваш прогноз глуп; вы всегда увеличиваете его на 30%». Он начал медленно и осторожно, давая намёки, советы и рекомендации.
Еще один эксперимент: я создал 20 стенограмм встречи по обзору спроса — вымышленных, с такими проблемами, как выключенный микрофон, отключенное видео, отсутствие участия. Я обучил модель, объяснив, как, по моему мнению, должна проходить встреча по обзору спроса высшего класса: что должно присутствовать, а что нет, типичные проблемы. Затем я попросил модель оценить, что идет не так, и определил модель зрелости от базового уровня до уровня best-in-class. Я попросил модель оценить зрелость стенограммы. Оценка была очень хорошей; выводы были последовательными — вероятно, такими же, какие я бы сделал, потому что обучил модель.
Если представить, что бот слушает реальные встречи и анализирует услышанное, это создает огромный прирост эффективности. Представьте, что подключено 20 человек, а 15 из них с выключенным видео и микрофоном — им не нужно даже подключаться. Что можно сделать с высвобожденным временем? Есть куда стремиться в улучшениях. Вы не просто проводите диагностику; так как у вас уже есть контекст, вы можете сразу перейти к непрерывному совершенствованию.
Йоаннес Верморель: Я верю, что в какой-то форме будущее такого рода наступит. Будь то в рамках текущей парадигмы LLM, основная проблема заключается в данных или «колесе знаний»: LLM не может учиться, поэтому она должна сама решать, как разделить кусочки знаний и сохранить их для дальнейшего использования. Эта проблема еще не решена должным образом. Завтра мы могли бы рассмотреть потомка или альтернативную теорию LLM, где обучение встроено.
Вернемся к делу: пассивное прослушивание по всей компании, автоматическое архивирование и организация — обмен идеями, автоматическое обновление вашей библиотеки инсайтов и понимания текущей ментальной карты компании — имело бы колоссальную ценность.
Сейчас у нас есть приближения: запись двух часов встреч и составление очень чистых протоколов. Это полезно; это экономит время. Но это не то, что можно легко использовать позже. LLM пришлось бы просмотреть всё заново, чтобы понять, обсуждался ли конкретный вопрос. Если вы не попросите его, он сам не свяжет «этот пункт обсуждался» с «этот пункт также обсуждался на двух разных встречах; у нас есть противоречия».
Нам не хватает обучения. Его нет. У модели нет озарений «ага». Она обрабатывает окно контекста линейно, используя статичный, жесткий интеллект, который крайне способен в нечеловеческих масштабах — но обучение идет очень глубоко и имеет свои ограничения.
Одно странное наблюдение: в управлении данными я подозреваю, что модели будут улучшаться автоматически, независимо от технологии, потому что они будут потреблять больше примеров. Если вы сейчас попросите ChatGPT составить промпт, он намного лучше, чем два года назад. Почему? Не потому, что базовая технология эволюционировала в этом плане, а потому, что в интернете теперь полно примеров хороших промптов, которые используются для дообучения модели. Сотни тысяч людей публиковали советы и трюки; ChatGPT вновь усваивает это в ходе обучения.
Таким образом, в управлении знаниями: если достаточно людей будут делиться советами о том, что считается полезной информацией, эти инструменты улучшатся, потому что они интегрируют множество эвристик.
Knut Alicke: Развивая ваш пример с заметками с совещаний — я не стал бы ожидать, что бот знает всё. Вот почему, возвращаясь к идее цифровой команды — цифровой Жоанн или цифровой Конор или цифровой Кнут — вы начинаете с участием человека. У вас есть расшифровка; вы отмечаете: «Это пошло не так, это пошло не так». Вы постепенно создаёте контекст. После того как вы сделаете это десять раз, модель уже сможет распознавать 80% информации. Это классическое правило 80/20. По моему опыту за 25 лет, 80% всегда одни и те же; это можно обучить. Потом бывают особые случаи, когда вы добавляете дополнительный контекст.
Я бы согласился, что она не выдаст, например, «Нужна ли нам вообще эта встреча по обзору спроса?» Это не был бы результат. Но чтобы улучшить структуру и результаты — а следовательно, создать более эффективную цепочку поставок — это скоро станет возможным.
Joannes Vermorel: В Lokad мы теперь включаем в некоторые промпты, когда подводим итоги совещаний по планированию, подсказки, такие как: «Всякий раз, когда упоминается дата или цена в долларах или евро, выделите их и проверьте, прикреплён ли к дате призыв к действию.» Мы делаем это в два прохода, чтобы создать качественную записку: сначала сканируем обсуждение, останавливаемся на датах, фикcурируем призывы к действию; то же самое для финансовых сумм — каковы ставки? Мы даем LLM в рамках промпта советы для определения действительно полезной информации.
Вот рецепт Lokad. Теперь представьте, что Lokad публикует это в интернете, и сотни тысяч людей также делятся своими советами. «Для этих совещаний вот список рекомендаций для создания очень эффективного резюме.» Именно поэтому я говорю, что маховики знаний продвинутся, потому что люди публикуют советы и трюки.
Но основная проблема, которая пока не решена, — это управление знаниями в больших масштабах. Ближайшая аналогия — RAG (Retrieval-Augmented Generation), но он всё ещё грубый и не масштабируется хорошо. В большой компании вы быстро превышаете возможности LLM. Даже если вы не превышаете токенное окно — которое сейчас очень длинное — если вы загрузите сотни страниц почти нерелевантного материала, производительность окажется не лучшей. Вам нужно что-то лучшее.
Существуют способы временно замять ситуацию: линейное сканирование, многопроходной анализ. Первый проход для удаления нерелевантного материала — но всё это лишь временные меры вокруг факта, что обучение остаётся второстепенной задачей в текущей парадигме.
Conor Doherty: Вернёмся к человеческому фактору: некоторые люди прекрасно общаются вне камеры, но если поставить перед ними камеру и микрофон, и они знают, что их записывают, они становятся застенчивыми. Это меняет их готовность к участию, поскольку существует постоянная запись. Примените это к встрече по планированию спроса, где люди понимают, что инструмент ИИ слушает, записывает, анализирует, архивирует и, возможно, оценивает показатели эффективности. Считаете ли вы, что это может стать проблемой для вовлеченности и участия?
Knut Alicke: Для первой встречи — да. Для второй встречи — наполовину. Потом этот эффект уменьшается. В бережливом производстве, при Gemba walk, когда вы наблюдаете за сборкой, первое наблюдение показывает, что люди стараются делать всё максимально хорошо. Вернувшись на следующий день, и далее — приверженность процессу снижается, и они возвращаются к своим обычным привычкам. На пятый день появляются больше проблем.
Будучи консультантом, подключающимся к этим встречам, первая встреча проходит относительно успешно; затем вы снова и снова подключаетесь, и люди понимают: «О, это нормально», и вы видите, что происходит. Пока неясно, как убедить людей, что этот бот не работает плохо.
Один из способов — создать аватар для цепочки поставок — вы привлекательный человек, так что аватар будет на вас похож — и тогда люди заведут доверие и начнут общаться с аватаром как с обычным собеседником. Всё равно найдутся те, кто откажется говорить; это будет их потеря.
Conor Doherty: Что касается защитных мер — внедрение технологий при одновременном обеспечении безопасности и сохранности. Основной пример — встречи с клиентами, планировщики спроса, диагностика: обсуждается масса конфиденциальной информации — цифры, даты, значения. Люди могут волноваться из-за безопасности и защитных барьеров.
Joannes Vermorel: Абсолютно. Одно из того, чему я учил своих студентов на факультете информатики почти 20 лет назад, когда электронная почта была ещё чем-то новым: относитесь к каждому письму так, как будто оно навсегда станет публичным. Как только вы отправили письмо, вы утратили над ним контроль. Его можно переслать. Я говорил: «Предположите, что все ваши письма будут выложены на Usenet» — тогдашнем эквиваленте Reddit — и поэтому пишите соответственно.
Мы вступаем в очень странный мир, где в ближайшие 20 лет будет чрезвычайно сложно противостоять инструментам пассивного прослушивания, которые всё записывают. Я вижу столько возможностей для повышения продуктивности; устоять будет трудно. Компания примет это и поймёт, что экономит массу времени. Я говорю о 20 годах, а не о двух.
Электронные письма, такими, какими мы их практикуем сегодня, показались бы странными людям 70-х годов. Идея о том, что частный разговор всегда под угрозой оказаться в национальной прессе, казалась бы безумной. То, что одно письмо, которое вы написали, пересылается десяткам людей, происходит постоянно. Люди не считают, что нужно спрашивать разрешения на пересылку письма. Почтовое письмо было приватным; пересылка его третьей стороне была неприемлемой.
Knut Alicke: Возвращаясь к обучению: убедитесь, что люди понимают, что следует раскрывать, а что — нет. Ещё один пример из нашей книги: один участник рассказал историю, что в его процессе S&OP он хотел пригласить трёх самых важных поставщиков. Все возражали: «Мы не можем, они узнают наш производственный план». Он сказал: «Именно этим я и хочу поделиться, чтобы они могли подготовиться». Речь идёт о трёх самых важных, а не о тысячах.
С прозрачностью можно добиться лучших результатов. Часто присутствует страх: «Если они узнают, что мы делаем…» Да, но если они узнают, они смогут лучше подготовиться, и общая цепочка поставок улучшится. То же самое и с этими моделями — но, конечно, если есть настоящий секрет, вы не захотите, чтобы он оказался в прессе на следующее утро.
Joannes Vermorel: По моему мнению, это меняет саму организацию. Например, поколение моих родителей, работников Procter & Gamble: у них была квазимузыкальная структура внутри компании; иерархия была чрезвычайно строгой; приватность и секретность имели первостепенное значение; информация распространялась строго по принципу «только для нуждающихся». Всё это кардинально изменилось. Procter & Gamble сегодня совсем не то, чем была 50 лет назад.
Эта технология сместит рынок в сторону компаний, которые заявляют: «Если всё будет публично, нам нечего скрывать, потому что наше конкурентное преимущество не базируется на секретности». Да, иногда умение держать карты при себе давало преимущество, но можно вести бизнес, где секреты не играют роли. Это вытеснят бизнесы именно в этом направлении.
Будет трудно по-настоящему обезопасить эти инструменты. Например, когда я провожу аудиты технологических стартапов, я делаю это без какого-либо устройства — только ручка, бумага, блокнот — чтобы случайно ничего не утекло. Всё идёт аналоговым путём; утечка данных означает кражу моего блокнота, а мой почерк настолько неразборчив, что информация оказывается частично скрытой.
В целом, с приходом электронной почты компании стали более открытыми; им стало сложнее работать с секретами, как 50 лет назад. Теперь любой может снять видео и выложить его в TikTok; это создаёт дополнительные сложности. Если есть вещи, которые не должны быть видны публике, возможно, их и не стоит иметь, потому что кто-то всё равно загрузит видео: условия труда, грязная кухня. Эта технология подстегнёт эти процессы, усложняя вопрос о том, в чём заключается ваше конкурентное преимущество в мире, где секретов очень мало. Это дискуссия на ближайшие 20 лет, потому что внедрение этих технологий займёт время.
Conor Doherty: Защитные меры многогранны: безопасность и расходы. Некоторые утверждают, что генеративный ИИ преобразил цепочку поставок в худшую сторону, ссылаясь на «разрыв ценности генеративного ИИ» — огромные инвестиции с малым возвратом; пилотные проекты, застрявшие в лабиринте. Считаете ли вы, что это влияет на ваше восприятие трансформационной силы GenAI?
Knut Alicke: Как я уже говорил, мы ещё не дошли до этого. Мы всё ещё на ранней фазе. Я слышал, как умный коллега сказал: когда проводите пилотный проект, спросите у генерального директора или руководителя бизнес-единицы, использует ли он ChatGPT каждый день. Так они понимают, что возможно, а что нет. Мне это показалось чрезвычайно интересным.
Если у начальника есть представление о том, что возможно, то либо пилот не запускается, потому что слишком рано, либо пилот организован с правильными рамками и ожиданиями. Если нет, пилотные проекты нацелены на решение проблемы голода в мире и обречены на провал.
Многие до сих пор путают GenAI с ИИ, цифровыми технологиями и алгоритмами. Кажется, что это новое слово, которое следует применять ко всему, и тогда всё, что вы делаете, называют GenAI — но это не так. Сведите всё к тому, где оно действительно может добавить ценность и что реально возможно; тогда мы увидим эффект в ближайшие несколько лет.
Ещё одна мысль: зачастую представление об эффекте слишком локально. В цепочке поставок самый большой эффект от правильной работы заключается в наличии товара. Наличие означает более высокую маржу, больший доход. Всё ещё многие считают, что цепочка поставок — это только затраты и запасы. Соедините всё от начала до конца, взгляните на итоговый эффект, и тогда вы увидите скачок в общей производительности.
Joannes Vermorel: Я думаю, что это идеальная замена блокчейну. Говоря серьезно: как и во всех модных словах, обычно есть какая-то технологическая изюминка, которая действительно работает. Но, будучи частью мира поставщиков программного обеспечения, процессы закупок корпоративного ПО в крупных компаниях просто ужасны. Много денег тратится впустую. GenAI оказывается тем, на что эти деньги расходуются. Если бы не было GenAI, деньги ушли бы на какое-то другое модное слово.
Причинно-следственная связь не такова, что «GenAI создает отходы». Скорее, процесс закупок не работает, и потому деньги тратятся впустую, а затем эти средства направляются на модное слово дня. Два-три года назад это был блокчейн; пять лет назад — большие данные; 10 лет назад — data mining.
Ваш комментарий о том, что начальник экспериментирует с ChatGPT: ключевое понятие — механическая симпатия. Можете ли вы интуитивно почувствовать, что система может, а что не может делать? То же самое с блокчейном/криптовалютой: вы когда-нибудь покупали биткоин, пользовались им? Осознаёте, как это работает? Если вы не понимаете технологию, это плохо.
К сожалению, мы возвращаемся к удручающему процессу, который заканчивается запросом предложений с 600 вопросами. Мы получаем вопросы вроде: «Защищена ли комната, в которой вы храните архив факсов, от огня?» — вопрос, который нам задали месяц назад.
Knut Alicke: Я согласен, и ещё одно наблюдение: процесс выбора программного обеспечения настолько странный. Я всегда спрашиваю клиентов: «Зачем вам эти 500 требований?» Все софтверные компании по умолчанию будут ставить любые условия, потому что софтверная компания продаёт видение, а не действительность. Затем вы идёте на блестящие презентации, где обещают всё.
Предположим, вы хотите купить новый автомобиль. Вы покупаете его, посмотрев 30-секундное видео на YouTube? Наверное, нет. Вы хотите сесть в автомобиль, потрогать его, прокатиться на нём. Почему вы не делаете то же самое со своим программным обеспечением? Почему бы не провести тестовый запуск, где вы убедитесь, что оно работает?
Это возвращает нас к возможностям: людям нужно хотя бы в общих чертах понимать, что в нём содержится. Мы все преподаём, поэтому нам нужно обучать еще более практическому управлению цепочками поставок и доводить это до совета директоров. Именно поэтому мы написали книгу «Source to Sold», чтобы донести всё это до уровня совета и убедиться, что они понимают, что работает, что нет, и в чем эффект.
Conor Doherty: Для протокола, я записал «JV — механическая симпатия». Я знал, что ты это скажешь. Мы знакомы уже давно.
Это подводит нас к завершению — два ключевых вопроса. Один — на уровне совета директоров; другой — для рядового сотрудника. Кнут, начнём с совета: как вы представляете трансформационную ценность для совета, чтобы убедить его, а затем как доносите это до рядовых сотрудников?
Knut Alicke: На уровне совета думайте о языке, на котором говорит совет: видение, рост, маржа. Вы должны построить свою историю так, чтобы показать, что эта новая технология поможет воплотить ваше видение — быть лучше для клиента, для потребителя, быть более прибыльными.
На производственном уровне: всё, что вы сказали совету, правда, но нужно добиться того, чтобы люди поверили, что это облегчает их повседневную работу. Если это просто ещё один инструмент, который выглядит как чёрный ящик и усложняет жизнь, он не сработает. Он должен облегчать жизнь и помогать людям вносить вклад в общую эффективность.
Если вы проведёте Гемба в складе, у людей, занимающихся подбором товаров, всегда есть 5000 идей для улучшения. Дело не в том, что они не понимают или не хотят, а в том, что их часто не спрашивают. То же касается и планировщиков. Вы должны рассказать историю: «Вот наш инструмент, который поможет вам стать лучшими планировщиками, облегчит вашу работу и сделает её интереснее, потому что теперь появятся новые крутые возможности для исследования».
Joannes Vermorel: Презентация для совета: XXI век — это век механизации интеллектуальной работы. XX век был веком механизации физического труда. Если вы не механизируете свою армию клерков — сотрудников с белыми воротничками — ваши конкуренты сделают это. Они смогут добиться большего с меньшим числом сотрудников и быстрее. Если у вас меньше людей, вы сможете действовать быстрее.
Нужно посмотреть, чем занимаются армии сотрудников с белыми воротничками. В планировании цепочки поставок многие компании имеют сотни сотрудников, ежедневно работающих с одними и теми же таблицами — десятки тысяч строк. Самый большой вопрос: когда эти рабочие места будут полностью роботизированы? Это не «если», а «когда». Мы можем поспорить, будет ли это через пять или через 50 лет.
Conor Doherty: Это был мой последний вопрос — спасибо.
Joannes Vermorel: Я настроен оптимистично. Я знаю, что Кнут считает, что пройдёт долгий период, в течение которого жизнь этих людей улучшится. Но мы можем согласиться, что текущее положение вещей неудовлетворительно. Какая-нибудь компания сумеет сделать это лучше, чем сейчас.
Для людей, ориентированных на операционном уровне: в Lokad мы автоматизируем, что является непростой темой. Готовы ли вы принять нечто, что сделает вашу работу более сложной, но и более интересной? Рутинная работа с электронными таблицами хоть и приносит некоторое утешение, но она невероятно скучна.
Если вам абсолютно комфортно выполнять чрезвычайно скучную задачу, это не хорошо. Если вы готовы бросить вызов и поднять свой уровень работы, то это возможность всей жизни — стать частью революции в механизации труда. Вы станете частью тех, кто занимается гораздо более умными делами, выходящими за рамки банальной автоматизации.
Это часть видения компании Lokad: автоматизировать задачу, оставив людям контроль над автоматизацией. Существует и другая точка зрения — сделать так, чтобы люди становились значительно продуктивнее. Два обоснованных подхода для разрушения статус-кво рутинной работы с электронными таблицами.
Конор Дохерти: Кнут, обычно завершающую мысль оставляют гостю. Не могли бы вы подробнее рассказать о своей точке зрения? Кажется, что Йоаннес намекает на то, что передача процесса принятия решений в руки ИИ может произойти быстрее, чем по вашей позиции. Для тех, кто не знаком с вашей позицией, как вы видите ближайшую и среднесрочную эволюцию?
Кнут Алике: Моя надежда — позвольте предложить две версии: оптимистичную и пессимистичную. Оптимистичная версия: модели станут лучше; они смогут учиться на контексте или за счет новых изобретений. Благодаря этому жизнь планировщиков станет намного проще, а качество решений — значительно выше, что приведет к более серьезным интеллектуальным вызовам, и это может не понравиться всем. Вероятно, это произойдет в ближайшие пять лет.
Пессимистичная версия — пессимисты, на самом деле, являются опытными оптимистами: оглядываясь на 25 лет назад, до McKinsey я работал в стартапе, разрабатывая программное обеспечение для планирования в сфере потребительской электроники. Качество тогдашнего ПО и принимаемых решений, если оглядываться назад, было поистине удивительным. У меня до сих пор много клиентов, которые даже близко к этому не подходят. С учетом этого, я бы сказал, что пессимист считает, что мы к этому придем, но, скорее всего, через 20 лет.
Конор Дохерти: Таким образом, мы рассмотрели оптимистичный и пессимистичный сценарии; апокалиптическим вариантом было бы, если бы Skynet наступил завтра — или на следующей неделе — будет ли это уместно?
Кнут Алике: Skynet не наступит — во всяком случае, не как единичное событие.
Конор Дохерти: Если вы смотрите это в будущем, напишите мне сообщение; дайте знать. У меня больше нет вопросов, господа. Йоаннес, спасибо, что присоединились ко мне. Кнут, вы были великолепны. Большое спасибо, что пришли в студию. И всем остальным я говорю: возвращайтесь к работе.
