با وجود اینکه تیم‌های تدارکات به حجم بی‌سابقه‌ای از داده‌ها دسترسی دارند، تصمیم‌گیری‌های مربوط به تأمین منابع اغلب تنها از بخش کوچکی از اطلاعات موجود استفاده می‌کنند. سوابق تأمین‌کنندگان، شرایط قراردادها، تاریخچه قیمت‌گذاری، داده‌های برنامه‌ریزی و موارد مرتبط معمولاً در چندین سیستم برنامه‌ریزی منابع سازمان (ERP)، پورتال‌های تأمین‌کنندگان، مخازن قراردادها، ابزارهای مدیریت هزینه‌ها و پلتفرم‌های برنامه‌ریزی پراکنده شده‌اند. این پراکندگی منجر به افزایش شکاف میان داده‌های موجود و داده‌هایی می‌شود که سازمان‌ها می‌توانند به‌طور قابل‌اتکا از آن‌ها استفاده کنند.
این چالش با تکامل سازمان‌ها دشوارتر می‌شود و مدیران تأمین منابع را ناچار می‌کند به‌جای تمرکز بر استراتژی تأمین‌کنندگان، بحث درباره قیمت‌ها و مذاکرات قراردادی، وقت خود را صرف جستجو در سیستم‌ها، ثبت درخواست‌های فناوری اطلاعات (IT)، اعتبارسنجی گزارش‌ها و حل مشکلات داده‌ها کنند.
هوش مصنوعی عاملمحور (Agentic AI) رویکردی کاربردی برای تحول در این مدل عملیاتی ارائه می‌دهد. ارزش این فناوری فراتر از سرعت‌بخشیدن به اتوماسیون است؛ زیرا روشی سازگارتر برای دسترسی، نظارت و اقدام بر روی داده‌های تدارکات در محیط‌های پیچیده سازمانی در اختیار تیم‌های تأمین منابع قرار می‌دهد.
مسئله دسترسی به داده‌ها در پشت تصمیم‌گیری‌های تأمین منابع
تیم‌های تأمین منابع به انواع مختلفی از داده‌های تدارکاتی وابسته‌اند. داده‌های حیاتی، مانند فهرست مواد اولیه، فهرست منابع و فهرست تولیدکنندگان تأییدشده، اغلب خارج از حوزه نظارت دقیق بر کیفیت داده‌ها قرار می‌گیرند.
این خلأ ریسک قابل‌توجهی ایجاد می‌کند. برای مثال، اگر فهرست مواد اولیه مهندسی به‌روزرسانی شود اما فهرست مواد اولیه برنامه‌ریزی به‌درستی همگام‌سازی نشود، ممکن است مدیر تأمین منابع تنها پس از شکست یک چرخه برنامه‌ریزی یا حذف یک ماده اولیه متوجه این مسئله شود.
چرا اتوماسیون سنتی ناکارآمد است؟
اتوماسیون سنتی زمانی مؤثر است که فرآیندها پایدار و قوانین کاملاً مشخص باشند؛ زیرا بر اساس منطق از‌پیش‌تعیین‌شده عمل می‌کند: اگر شرایط خاصی رخ دهد، اقدام متناظر با آن اجرا می‌شود. در مقابل، هوش مصنوعی عاملمحور یک هدف را دریافت کرده و برای دستیابی به آن استدلال می‌کند.
هوش مصنوعی عاملمحور می‌تواند اهداف را تجزیه کند، ابزارهای مناسب را انتخاب کند، خروجی‌های خود را زیر نظر داشته باشد و رویکرد خود را به‌طور خودکار تنظیم کند. در حوزه تدارکات، این قابلیت به یک عامل اجازه می‌دهد تا ویژگی‌های برنامه‌ریزی مفقود را بررسی کند، داده‌های مرتبط را از چندین سیستم تجمیع کند، الگوها را با سوابق تاریخی مقایسه کند و اقدامات بعدی را پیشنهاد دهد.
گذر از پاکسازی دوره‌ای به کیفیت مستمر
بسیاری از سازمان‌ها کیفیت داده‌ها را در اولویت دوم قرار می‌دهند. نظارت و گزارش‌دهی اغلب در اواخر چرخه عمر سیستم یا تنها پس از بروز مشکلات تجاری پیاده‌سازی می‌شوند. این رویکرد واکنشی به تخریب داده‌ها، بررسی‌های دستی، تلاش برای اصلاح و سایر مشکلاتی منجر می‌شود که پس از تأثیرگذاری بر فرآیندهای برنامه‌ریزی، خرید یا گزارش‌دهی ظاهر می‌شوند.
هوش مصنوعی عاملمحور امکان گذار به تضمین کیفیت مستمر را فراهم می‌کند. یک عامل می‌تواند به‌طور مداوم بر داده‌های تدارکات نظارت داشته و رکوردهای تکراری، ویژگی‌های ناقص، انتقال ناموفق داده‌ها و تناقضات میان سیستم‌های به هم پیوسته را شناسایی کند. این فناوری می‌تواند مقادیر مفقود را پیش از آغاز چرخه برنامه‌ریزی علامت‌گذاری کند، فهرست‌های مواد اولیه مهندسی و برنامه‌ریزی را با یکدیگر بسنجد، کامل بودن فهرست منابع را ارزیابی کند و تناقضات قیمت‌گذاری را تشخیص دهد و آن‌ها را به مسئول مربوطه ارجاع دهد.
با این حال، مسئولیت‌های این عامل فراتر از صدور هشدار است. در سناریوهای کم‌ریسک، ممکن است اقدامات اصلاحی پیشنهاد کند یا رکوردها را در چارچوب‌های مشخص‌شده به‌روزرسانی کند. برای مواردی که تأثیر بیشتری دارند، عامل می‌تواند مسائل را با زمینه مربوطه، شامل جزئیات تغییر، فرآیندهای پایین‌دستی تأثیرپذیر و تصمیماتی که نیازمند مداخله انسانی هستند، ارجاع دهد.
حاکمیت و نظارت انسانی همچنان اهمیت دارند
هوش مصنوعی عاملمحور زمانی به بالاترین اثربخشی خود می‌رسد که مرزهای عملیاتی روشنی تعریف شوند. برخی وظایف، مانند تجمیع داده‌ها از چندین سیستم، آماده‌سازی نماهای تلفیقی یا شناسایی ویژگی‌های مفقود، برای اتوماسیون مناسب هستند. اقداماتی که بر دسته‌های برنامه‌ریزی، صلاحیت تأمین‌کنندگان، قیمت‌گذاری یا شرایط قراردادی تأثیر می‌گذارند، نیازمند تأیید انسانی هستند.
حاکمیت مؤثر در این زمینه ضروری است، به‌ویژه هنگامی که سازمان‌ها پیاده‌سازی‌های هوش مصنوعی عاملمحور را با روش‌های گسترده‌تر مدیریت ریسک هوش مصنوعی همراستا می‌کنند. سازمان‌ها از تفکیک واضح اقدامات خودکار عامل، مواردی که نیازمند بازبینی هستند و مالکیت هر مسیر ارجاع‌دهی بهره‌مند می‌شوند.
بسیار حیاتی است که مالکیت بر عهده رهبران کسب‌وکاری باشد که بیشترین وابستگی را به هر حوزه دارند: مدیر تدارکات برای داده‌های اصلی فروشندگان و فهرست منابع، مدیر زنجیره تأمین برای داده‌های اصلی مواد و فهرست مواد اولیه، و مدیر مالی برای داده‌های قیمت‌گذاری و هزینه. نظارت نیز از همین منطق پیروی می‌کند. فهرست مواد اولیه مهندسی باید توسط مهندسان سخت‌افزار مدیریت شود، نه مدیران داده؛ زیرا حل یک مسئله استثنا در کیفیت، یک قضاوت تجاری است، نه فنی.
جلوگیری از اشتباهات رایج در پیاده‌سازی
پیاده‌سازی موفقیت‌آمیز نیازمند چیزی بیش از قابلیت‌های پیشرفته پیاده‌سازی هوش مصنوعی است. سازمان‌ها با تعریف دقیق مسئله تأمین منابع، درک سیستم‌ها و داده‌های مربوطه و تعیین مالکیت مشخص برای تصمیمات، استثناها و تأییدیه نتایج بهتری می‌گیرند. این موارد شامل نکات زیر است:
- ساختن بر پایه داده‌های ضعیف: هوش مصنوعی عاملمحور به‌تنهایی نمی‌تواند داده‌های ضعیف را به تصمیمات درست تبدیل کند. اگر پایه و اساس خراب باشد، خروجی‌ها نیز همان ضعف را باز خواهند تاباند.
- دست‌کم گرفتن پیچیدگی سیستم: ممکن است یک مدیر تأمین منابع در سیستم‌های ERP، قیمت‌گذاری، برنامه‌ریزی، قرارداد و تأمین‌کنندگان کار کند. عاملی که تنها یکی از این محیط‌ها را ببیند، نمایی ناقص ارائه خواهد داد.
- نادیده گرفتن حاکمیت و مالکیت: پیاده‌سازی مؤثر به مسئولیت‌پذیری روشن در قبال داده‌ها، تأییدیه و مسیرهای ارجاع وابسته است. هنگامی که ناهنجاری‌ها ظاهر می‌شوند، عامل باید بداند آن‌ها را به کجا هدایت کند و چه زمانی تصمیم انسانی مورد نیاز است.
- کنار گذاشتن تیم‌های تأمین منابع از فرآیند: هنگامی که تیم‌های تأمین منابع در مراحل اولیه مشارکت داده نمی‌شوند، ابزار نهایی ممکن است مشکل اشتباهی را حل کند یا به‌جای کاهش کار، آن را افزایش دهد.
پذیرش قوی‌تر با شروع از یک صورت‌مسئله روشن، پایه‌ای مطمئن از داده‌ها و نقش‌های کاملاً تعریف‌شده حاصل می‌شود. مشارکت زودهنگام تضمین می‌کند که عامل با جریان‌های کاری مورد استفاده تیم‌های تأمین منابع همسو شود.
آمادگی بهتر برای گام‌های بعدی
هوش مصنوعی عاملمحور در حوزه تدارکات در حال گذر از مرحله ایده‌پردازی است. پیشگامان این حوزه در حال بهره‌گیری از مذاکره خودکار، عوامل تأمین منابع و نظارت مستمر بر داده‌ها هستند تا تلاش‌های دستی را به حداقل رسانده و دید پویایی نسبت به فرآیندها ایجاد کنند. در حالی که سرعت، دستاورد آشکاری است، مزایای ملموس شامل بهبود دسترسی به داده‌ها، امکان انتخاب مؤثرتر تأمین‌کنندگان، تحلیل دقیق‌تر قیمت‌گذاری، تصمیم‌گیری‌های آگاهانه‌تر درباره قراردادها و شناسایی زودهنگام ریسک‌های عملیاتی است.
در نهایت، آنچه هوش مصنوعی عاملمحور را متمایز می‌کند، میزان سازگاری آن است. سازمان‌هایی که داده‌های پایه پاک، حاکمیت شفاف، کنترل‌های انسانی در حلقه و استعدادهای مناسب دارند، می‌توانند با تحول تدارکات سازگار شوند.
هیچ‌کدام از این موارد جایگزین قضاوت در تأمین منابع نمی‌شود. هدف، کمک به تیم‌ها برای اتخاذ تصمیمات بهتر و سریع‌تر در مقیاس وسیع‌تر است. هوش مصنوعی عاملمحور تنها به اندازه داده‌های سازمانی که به آن‌ها متکی است، کارایی دارد. هنگامی که این داده‌ها قابل دسترسی، دقیق، دارای حاکمیت مناسب و پشتیبانی‌شده توسط نظارت انسانی واضح باشند، تیم‌های تأمین منابع زمان کمتری را صرف دست‌وپنجه نرم کردن با سیستم‌های پراکنده می‌کنند و زمان بیشتری را به اتخاذ تصمیماتی اختصاص می‌دهند که بر هزینه، تاب‌آوری و عملکرد تأمین‌کنندگان تأثیر می‌گذارند.
منبع: How Agentic AI Can Transform Sourcing Decisions Through Better Data Access — IoT For All؛ نویسنده: Naresh Chittamur
منبع: iotforall