A nagykereskedelem áramlásokra épül: árukra, rendelésekre, számlákra és információra, amelyek szállítók és vevők között ide-oda mozognak. Az irodai órák nagy része olyan munkára megy el, amely ismétlődik ezen az áramláson belül — rendelések rögzítése és ellenőrzése, készlet egyeztetése beszerzéssel és értékesítéssel, árajánlatok nyomon követése, számlák egyeztetése szállítólevelekkel, ügyfélkérdések megválaszolása szállítási időkről és elérhetőségről. Emellett létezik olyan munka, amely kevésbé ismétlődik: tárgyalás szállítókkal, egy termékkör összeállítása, egy nehéz helyzetben lévő ügyfél kiszolgálása, döntés arról, mi történjen, ha egy szállítás elakad.
Ez a két munkafajta más-más kimenetet eredményez, ha egy ambíció AI-munkát feltételez. Az ismétlődő, rögzített szabályok szerinti munkát könnyebb átvenni, mint azt a munkát, amelyben valaki mindig újra mérlegeli, mi helyes az adott helyzetben. A kimenetet meghatározó körülmények nemcsak a munka jellegéből fakadnak, hanem abból is, mennyire tiszta és strukturált az alapul szolgáló adat — egy rendelési sort, amelyet öt rendszerben más-más módon rögzítenek, egy rendszer nehezebben tud értelmezni, mint egy ember, aki ismeri a kontextust.
A nagykereskedelmi vállalatok egy részénél már ma is átveszik a munkát: rendelésellenőrzés a beszerzési feltételekhez képest, szállítói e-mailek összefoglalása egy teendővé, készletprognózis feltöltése historikus minták alapján. A vállalatok másik részénél pontosan ugyanaz a munka még teljes egészében embereknél van. A különbség ritkán a változtatási szándékban rejlik. Abban rejlik, hogy rendben van-e az adat, van-e valaki, aki jóváhagyhatja vagy indoklással elutasíthatja egy rendszer kimenetét, és hogy a szervezet rögzítette-e, ki miről dönt, ha valami rosszul megy.
Három kategória húzódik végig szinte minden nagykereskedelmi folyamaton. Van olyan munka, amelyet egy rendszer beavatkozás nélkül át tud venni, mint például egy rendelési sor átvitele a megfelelő formátumba. Van olyan munka, amelynél az AI javaslatot tesz, és egy ember azt a javaslatot elbírálja — egy jóváírás, amelyet javasolnak, de egy munkatárs hagy jóvá vagy küld vissza indoklással. És van olyan munka, amely emberi munka marad, mint a beszélgetés egy szállítóval, aki nem tartja a szállítási határidőt. Hogy melyik feladat melyik kategóriába esik, vállalatonként és rendszerenként eltér, és együtt változik, amint az adat vagy a folyamat változik.
Egy olyan ambíció, mint „az ügyfélszolgálatunk hamarosan nagyrészt automatizáltan fog működni”, feltételezi, hogy a vállalat képes kategorizálni az ügyfélkérdéseket, hogy a válasz mögötti tudás valahol strukturáltan rendelkezésre áll, és hogy van megállapodás arról, mikor kerül egy kérdés emberhez. E három nélkül az ambíció csak mondat, nem terv. Ugyanez érvényes egy készletirányítási ambícióra is: az megköveteli, hogy a beszerzési, értékesítési és logisztikai adatok illeszkedjenek egymáshoz, és hogy valaki jogosult legyen kijavítani egy AI által javasolt rendelési javaslatot.
Az ambíciótesztet négy rétegben rögzíti — vízió, vision state, target, target state — és nyolc készenléti dimenzió mentén teszteli, öt confidence gate-tel, amelyek jelzik, hol nyugszik a terv még bizalmon bizonyíték helyett. Ugyanez a teszt visszafordítja az eredményt képességekre: mit kell tudnia egy szerepkörnek, és ki kapja meg a döntési jogot, ha egy rendszer eredményt javasol. Azoknak a nagykereskedelmi vállalatoknak, amelyek azon is gondolkodnak, mennyi nyereség megy el a piaci részesedés megtartására, érdemes elolvasniuk hogyan mérlegeli a növekedést a margével szemben egy stratégiában, mert egy AI-ambíció e mérlegelés nélkül hamar feltételezéssé válik választás helyett.
A nagykereskedelem sok mindent megoszt az utána és előtte lévő logisztikai láncszemekkel. Aki egy olyan szektorral szeretné összehasonlítani, ahol a fizikai árumunka még közelebb áll a folyamathoz, azt megtalálja itt: milyen AI-ambíciók vannak jelen a szállítmányozási szektorban, és aki azt szeretné látni, hogyan fordítódik le ugyanaz az ambíció egy gyártási környezetben, olvassa el: milyen AI-ambíciók vannak jelen a feldolgozóiparban. A minta ismétlődik: ugyanazok az ambíciószavak, más készenlét, más kimenet.
Ott, ahol ez a személyzetet érinti — mely funkciók változnak, ha a munka eltolódik —, saját jogi követelmények érvényesek, amelyek kívül esnek ezen a teszten. Amit az ambíciócteszt viszont megtesz, az annak világossá tétele, mekkora kapacitás szabadul fel, ha bizonyos munka eltolódik, órákban és fte-ben kifejezve, hogy egy vezetői csapat tudja, miről beszél, mielőtt emberekről beszélne.
Az alapkérdésre — mely munkát lehet ebben a vállalatban valóban átvenni AI-jal — a FTE TO AI munkaszkennje feladatonként ad választ, funkció vagy feltételezés helyett. Egy vezetői csapatnak, amely először azt szeretné tudni, hogy a saját víziója elég mérhető-e ahhoz, hogy ehhez tesztelje, ott van hogyan tesz mérhetővé egy víziót.
Aki tudni szeretné, hol áll a saját szervezete, elvégezheti az ingyenes készenléti ellenőrzést: nyolc rövid kérdés, egy dimenziónként, amelynek eredménye képet ad arról, hol áll a legelőrébb és hol a legkevésbé előrébb. A teljes ambícióteszt, a négy réteggel és az öt confidence gate-tel, jelenleg épül.
Vertel wat u wilt bereiken, dan kijken we samen wat daarvoor moet staan.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.