AI בשרשרת האספקה מועיל כאשר הוא משפר החלטה מוגדרת, לא כאשר הוא רק מייצר תחזית מרשימה.מנהלי שרשרת אספקה מתמודדים עם ביקוש משתנה, זמני אספקה, אילוצי מלאי, קיבולת וספקים. מודלים יכולים לזהות דפוסים ולהציע תחזיות או חלופות, אך הנתונים מגיעים באיחור, אירועים חריגים שוברים דפוסים ואילוץ עסקי אחד עשוי לשנות את ההחלטה כולה. לכן הטמעת בינה מלאכותית בשרשרת האספקה צריכה לחבר בין מודל, ידע תפעולי וכללי החלטה: מה המערכת חוזה, מי מאשר פעולה, ואיך בודקים אם נוצר שיפור אמיתי בשירות ובמלאי.
תחזית ביקוש עונה מה עשוי לקרות. המלצת מלאי מתרגמת אותה להזמנה או להעברה בין אתרים. החלטה תפעולית כוללת גם מגבלת תקציב, חיי מדף, קיבולת, הסכם ספק ורמת שירות רצויה. כאשר שלוש השכבות מתערבבות, קשה להבין מדוע התקבלה תוצאה ומי אחראי לה. מערכת מקצועית מציגה תחזית, טווח אי ודאות, הנחות ואילוצים, ומשאירה נקודת אישור כאשר ההשפעה גבוהה.כדאי להתחיל ממקטע אחד: משפחת מוצרים, אתר הפצה או קטגוריית לקוחות. מגדירים Horizon מתאים, למשל שבועיים לרכש מהיר או רבעון לקיבולת. תחזית מדויקת ליום הבא אינה בהכרח שימושית אם זמן האספקה הוא חודשיים. ההקשר התפעולי קובע איזה דיוק נחוץ ואיזה סוג טעות יקר יותר.
מכירות חסרות עשויות לנבוע מחוסר מלאי ולא מירידה בביקוש. מבצעים, שינוי מחיר או מעבר ערוץ משנים את הסדרה. יש לתייג אירועים כאלה כדי שהמודל לא ילמד הסבר שגוי.
יחידות מידה, קודי מוצר, מיקום, זמני אספקה ומיפוי ספקים חייבים להיות עקביים. כפילות או שינוי קוד ללא קישור היסטורי יוצרים תחזיות מוטות ומקשים על הסבר.
מזג אוויר, חגים, תנועה או אינדיקטורים כלכליים יכולים לשפר תחזית, אך רק אם יש קשר סיבתי סביר וזמינות עקבית. מקור חיצוני שאינו מעודכן הופך במהירות לנקודת כשל.
הראשון הוא חיזוי ביקוש ברמת מוצר ומיקום, עם איתור פריטים שבהם חוסר הוודאות גבוה. השני הוא אופטימיזציית מלאי: חיבור בין רמת שירות, Lead Time, שונות ועלות אחזקה. השלישי הוא התראה מוקדמת על חריגה, למשל הזמנה שלא תאושר בזמן או קצב צריכה שאינו תואם לתוכנית. בכל תרחיש נדרש Workflow אנושי אחר; התראה שאין מי שמטפל בה אינה יוצרת ערך.אפשר להוסיף Generative AI כשכבת הסבר: לסכם מדוע התחזית השתנתה, לאסוף אותות ממספר מערכות או להכין טיוטת Action Plan. עם זאת, המספרים צריכים להגיע ממקור מחושב ומאומת. מודל שפה אינו תחליף למנוע תחזית או למערכת תכנון, והוא עלול לנסח הסבר משכנע גם כשנתון חסר.
המדד אינו חייב להיות רק MAPE. במדגם עם ביקוש נמוך או אפסים, מדדים אחרים עשויים להיות מתאימים יותר. חשוב למדוד את עלות הטעות: חוסר בפריט קריטי אינו שקול לעודף בפריט זול. גם Forecast Value Added מסייע לבדוק אם כל שכבת התאמה אנושית או אוטומטית באמת משפרת את התחזית ביחס לבסיס.
מערכת AI צריכה לדעת לסמן חוסר ודאות, שינוי התפלגות ונתון חסר. אירוע חדש כמו חסימת נמל, שינוי רגולטורי או קמפיין שלא הופיע בעבר אינו עוד נקודה בסדרה. במצב כזה עוברים מתהליך אוטומטי לדיון תרחישים. מנהל התכנון יכול להוסיף הנחה, אך השינוי נשמר ונבדק בדיעבד כדי ללמוד אם ההתערבות הועילה.ממשל טוב כולל בעל מודל, בעל תהליך, תדירות רענון, רשימת מקורות, סף התראה ונוהל Rollback. NIST AI RMF מדגיש מדידה וניהול לאורך זמן; בשרשרת אספקה המשמעות היא לבדוק שהמודל ממשיך להתאים לעונתיות, לתמהיל ולרמת השירות גם לאחר ההשקה.
אנליסטים צריכים להבין טווחי אי ודאות, הטיות נתונים ומדדי טעות. מתכננים צריכים לדעת מתי לקבל המלצה ומתי לערער עליה. מנהלים צריכים לחבר בין המדד האנליטי להשפעה עסקית. אפשר לתרגל זאת בתוך סדנת AI לארגונים עם מקרה מלאי, או לבנות הדרכת AI מותאמת לצוותי תפעול הכוללת פיילוט, משימת שטח ודיון בתוצאות.
AI יכול לשפר תחזית ולהתריע מוקדם, אך הוא אינו שולט באיכות הנתונים, בקיבולת ספק או באירוע בלתי צפוי. הצלחה נמדדת בירידה בתדירות ובחומרת החוסרים, לצד שמירה על עודף סביר.
אין מדד יחיד. צריך לשלב דיוק סטטיסטי עם עלות עסקית, רמת שירות ומלאי. המדד נבחר לפי סוג המוצר, אופק ההחלטה וסוג הטעות שמבקשים לצמצם.
במקטע שיש בו נתונים סבירים, החלטה חוזרת ובעל תהליך שמוכן להשתמש בתוצאה. כדאי לבחור גם מקרים קלים וגם חריגים, ולהשוות מול Baseline לפני הרחבה.
THE IMPACT מסייעת לבחור תרחיש שימוש, להגדיר Baseline ומדדי שירות ולבנות תרגול שמחבר בין נתונים להחלטות. תאמו שיחת היכרות ונבדוק יחד כיצד סדנת בינה מלאכותית או מסלול הטמעה לצוותי שרשרת האספקה יכול להתחיל בפיילוט מדוד ולהתקדם רק לאחר שהערך והבקרה הוכחו.