正如供应链中断成为2020年董事会讨论的频繁话题一样，生成式人工智能迅速成为2023年的热门话题。毕竟，OpenAI的ChatGPT在前两个月达到了1亿用户，成为历史上增长最快的消费者应用采用。
供应链在一定程度上非常适合生成式人工智能的应用，因为它们依靠和生成大量的数据。数据的多样性和数量以及不同类型的数据为一个极其复杂的现实世界问题增加了额外的复杂性：如何优化供应链绩效。虽然供应链中生成式人工智能的用例非常广泛，包括增加自动化、需求预测、订单处理和跟踪、机械设备的预测性维护、风险管理、供应商管理等等，但其中许多用例也适用于预测性人工智能，并已经被广泛采用和部署。
本文概述了一些特别适合供应链中生成式人工智能的用例，并提供了供应链领导者在投资之前应考虑的一些建议。
辅助决策
人工智能和机器学习在供应链中的主要目的是简化决策过程，提供更快速和更高质量的承诺。预测性人工智能通过提供更准确的预测和预测，发现尚未识别的新模式，并使用大量相关数据来实现这一目的。生成式人工智能可以通过支持供应链管理的各个功能领域将其推进一步。例如，供应链经理可以使用生成式人工智能模型提出澄清问题、请求额外的数据、更好地理解影响因素，并查看类似场景中决策的历史表现。简而言之，生成式人工智能使决策前的尽职调查过程对用户来说变得更加快速和简单。
此外，基于底层数据和模型，生成式人工智能可以分析大量结构化和非结构化数据，自动生成各种场景，并根据提供的选项提供建议。这极大地减少了供应链经理目前正在进行的非增值工作，并使他们能够更多地花时间做出数据驱动的决策并更快地应对市场变化。
（可能的）解决供应链管理人才短缺问题的方案
在过去几年中，企业由于规划员过劳、离职和新员工学习曲线陡峭，一直面临供应链人才短缺的问题。生成式人工智能模型可以根据企业的标准操作规程、业务流程、工作流程和软件文档进行调整，然后可以用相关的信息回答用户的查询。与生成式人工智能常见的对话式用户界面相结合，这使得与支持系统的交互变得更加容易，并可以调整查询，进一步加快找到正确信息的时间。
将基于生成式人工智能的学习和发展系统与生成式人工智能辅助决策相结合，可以帮助加速解决各种变革管理问题。它还可以通过减少培训时间和工作经验要求，加速新员工的上手速度。更重要的是，生成式人工智能可以通过增强沟通、改善认知、提供阅读和写作帮助、提供个人组织以及支持持续学习和发展的方式，为残疾人士提供帮助。
尽管有人担心生成式人工智能在未来几年会导致失业增加，但其他人认为它将通过消除重复性任务和为更多战略性任务腾出空间来提升工作水平。与此同时，预计它将解决当今严重的供应链和数字人才短缺问题。这就是为什么学习如何与这项技术合作很重要。
构建数字供应链模型
供应链需要具备弹性和敏捷性，这需要跨企业的可见性。供应链需要“了解”整个网络以实现可见性。然而，构建整个多层次供应链网络的数字模型往往成本过高。大型企业的数据分散在数十个甚至数百个系统中，大多数大型企业在企业资源计划（ERP）、客户关系管理（CRM）、产品生命周期管理（PLM）、采购与供应商管理（Procurement & Sourcing）、计划、仓储管理（WMS）、运输管理（TMS）等方面同时管理着500多个应用程序。面对所有这些复杂性和碎片化，将这些不同的数据逻辑地汇集在一起是极其困难的。当组织机构将目光投向第一或第二层供应商之外的地方时，采集结构化格式的数据几乎是不可能的。
生成式人工智能模型可以处理大量数据，包括结构化数据（主数据、交易数据、电子数据交换）和非结构化数据（合同、发票、图像扫描），以在有限的数据预处理情况下识别模式和上下文。由于生成式人工智能模型从模式中学习，并使用概率计算（在一定程度上需要人为干预）来预测下一个逻辑输出，它们可以更快速且大规模地创建出更真实的多层次供应网络的数字模型，并优化公司内部和公司间的协作和可见性。这个多层次模型还可以进一步丰富，以支持环境、社会、治理（ESG）倡议，包括但不限于识别冲突矿产、使用环境敏感资源或区域、计算产品和过程的碳排放等。
尽管生成式人工智能为供应链领导者提供了创新和战略优势的重要机会，但仍需考虑一些关切和风险。
您的供应链是独特的
目前，像ChatGPT或Dall-E这样的生成式人工智能的一般用途在解决更广泛的任务方面已取得成功，因为这些模型是基于大量公开可用的数据进行训练的。为了真正利用生成式人工智能在企业供应链中的能力，这些模型需要在各自的企业数据和与您组织相关的上下文中进行精细调整。换句话说，您不能使用一般训练的模型。影响当前转型项目的数据管理挑战，如数据质量、集成和性能，也可能影响到生成式人工智能的投资，导致一项耗时且昂贵的工作，除非已经有适当的数据管理解决方案。
生成式人工智能依赖于对训练数据中的模式的理解，如果供应链专业人员在过去三年中学到了什么，那就是供应链将继续面临新的风险和前所未有的机遇。
安全和法规
生成式人工智能模型的基本要求是访问大量的训练数据以理解模式和上下文。话虽如此，生成式人工智能应用的类人界面可能导致用户冒充、网络钓鱼和其他安全问题。虽然对模型训练的限制可能导致人工智能的性能不佳，但对供应链数据的无限制访问可能导致信息安全事件，使关键和敏感信息可被未经授权的用户获取。
此外，各国政府在未来如何选择对生成式人工智能进行监管尚不清楚，因为采用生成式人工智能的规模不断扩大，新的应用不断被发现。一些人工智能专家对人工智能带来的风险表示担忧，要求政府暂停巨大的人工智能实验，直到科技领导者和决策者能够制定规则和法规以确保安全。
生成式人工智能为那些能够利用这项技术并为人类的智慧、创造力和决策能力创造乘数效应的组织提供了大量的改进机会。话虽如此，在有针对供应链用例训练和明确设计的模型出现之前，最好的前进方式是对生成式人工智能投资采取平衡的方法。
建立适当的防护措施将是明智的选择，以确保人工智能提供一组优化的计划供每个用户审查和选择，这些计划与业务流程和目标保持一致。将“业务规范”与生成式人工智能相结合，将最大限度地增加团队的规划、决策和执行能力，同时优化所期望的业务结果。组织在投资新的生成式人工智能技术之前，还应考虑一个强有力的商业案例、数据和用户的安全性以及可衡量的业务目标。