AI i supply chains

AI – på dansk kunstig intelligens – i industrien bliver ofte beskrevet som en del af en ny industriel revolution på linje med den første, som var drevet af dampkraft. Mange virksomheder, også i Danmark, er godt i gang med at implementere AI-løsninger med henblik på at øge produktiviteten både i egen virksomhed og i forsyningskæderne. Der kan også være store gevinster dér. Min erfaring er imidlertid, at en del virksomheder, især små og mellemstore, stadig tøver med at gå i gang. Det er nemt at forstå, fordi AI kan ændre en række velkendte rutiner og systemer, som, man ved, virker. Samtidig kan virksomheder frygte, at systemerne bryder sammen, og at de mister overblikket. AI kan få stor betydning for virksomhedernes konkurrenceevne, selvom effekten afhænger af anvendelsen og virksomhedens forudsætninger. Denne artikel bidrager med et overblik over, hvad AI i Supply Chain Management (SCM) er, hvilke udfordringer virksomheder må tage højde for, hvilke SCM-opgaver AI kan understøtte, hvordan transformationsprocessen kan ledes, samt hvilke kompetencer medarbejderne får brug for.

Hvad er AI, og hvilke udfordringer og muligheder findes der i SCM?
Richey og kolleger (2023) skelner mellem traditionel og generativ AI. Traditionel AI anvendes bl.a. til klassifikation og prognoser på baggrund af historiske data. Davenport (2018) beskriver AI som en fjerde fase i udviklingen af analytics og fremhæver augmentation, altså at AI understøtter menneskers arbejde, som et mere sandsynligt udfald af AI end fuld automation. Generativ AI, derimod, skaber nyt indhold, f.eks. tekst, kode og scenarier, ud fra mønstre i såkaldte træningsdata og data, som virksomheden stiller til rådighed. Generativ AI kan lede til en langt højere grad af automatisering end tidligere versioner af AI.

Imidlertid er der er en række udfordringer med AI, herunder af etisk art med hensyn til anvendelse af beskyttede data og data transparens. Da AI bygger på historiske data, er der desuden potentiel risiko for bias i forhold til etnicitet, og alder, køn, hvor fokus på disse aspekter ikke tidligere var så kritisk. Det er især et problem inden for human ressources, men det angår jo også SCM, hvor menneskelig arbejdskraft stadig er vigtig. Desuden er såkaldte ”hallucinationer” en betragtelig risiko i komplekse supply chains på grund af manglende overblik og følgende vanskelighed ved at vurdere output. Endelig vil fuld implementering af AI i nogle tilfælde lede til et behov for en ny forretningsmodel. Om det er en risiko eller en mulighed, afhænger af omstændighederne.

Vigtigt er det også, at der findes forskellige anvendelsesniveauer for AI afhængigt af adgangen til data og information samt af, hvor godt konteksten er kendt. Jo mere usikre og utilstrækkelige data er, og jo mere kompleks konteksten er, desto større er behovet for menneskelig involvering og beslutningstagning. Se figur 1, som især refererer generelle, operationelle opgaver i virksomheder.

Figur 1: AI-kapabiliteter i eksisterende forretningsapplikationer.
Kilde: Richey m.fl. (2023), oversat til dansk

Selvom AI også kan give input til innovation, argumenterer Felin og Holweg (2024) for, at menneskelig bevidsthed er helt nødvendig for især radikal innovation. De påpeger, at AI ikke kan tage kvantespring i udviklingen, fordi den er baseret på historiske data. F.eks. skulle der menneskelig bevidsthed og forestillingsevne til at udvikle flyvemaskinen. Det ville AI ikke kunne gøre, da historiske data ville sige, at kun fugle kunne flyve. Derfor, siger Felin og Holweg, har teori stadig stor berettigelse. Data alene kan ikke løse alle problemer.

Af de mere specifikke supply chain management-opgaver, som AI kan understøtte, nævner Richey og kolleger følgende:

Afbødning af supply chain-risici ved hjælp af scenariebaseret modellering af f.eks. risici i forbindelse med partneres insolvens. Sourcing, dvs. identifikation af egnede leverandører og vurdering af deres kompetencers match med virksomhedens behov samt selve indkøbsprocessen. Optimering af lagerbeholdning og udvikling af fleksible lagerpolitikker. Optimering af distribution, transport og logistik og skabelse af beredskabsplaner ved driftsforstyrrelser samt optimering af layout for lagre, herunder plukning og endelig udvikling af distributionsstrategier. Kunderelationer kan forbedres med chatbots, der opdaterer kunder om ordrestatus og leveringstid. Endelig kan AI også understøtte udvikling af bæredygtige og etiske supply chain-praksisser ved at optimere alle former for ressourceforbrug som f.eks. valg af leverandører i det globale syd. Alt i alt er supply chain management særdeles datatungt, så potentialet ved anvendelse af AI er betydeligt.

Ledelse af transformationsprocessen mod AI i supply chain
CSCMP EDGE Europe 2026, der blev afholdt i Madrid den 11.-12. juni, præsenterede flere oplæg med anbefalinger til implementering af AI. En central anbefaling var, at ansvaret for valg af systemer, afgrænsning og implementering af AI bør ligge hos virksomhedens supply chain-ansvarlige. Det er ikke alene et spørgsmål for IT-afdelingen, som selvfølgelig skal bidrage med den tekniske ekspertise. Implementeringen bør organiseres som projekter med relevante projektledelsesværktøjer. Det anbefales at starte med pilotprojekter, og når et projekt for alvor rulles ud, er change management-principper nødvendige. Men den langsigtede udfordring opstår, når AI-systemet skal vedligeholdes over tid. En leder af en logistikvirksomhed, der har indført AI, oplever vedligeholdelsen af AI-systemet som et maraton. Se evt. Stanton og Gabaldons bog, Supply Chain 5.0, om supply chain-ledelse i en ny tid med mennesket i centrum. Ifølge forfatterne er det menneskecentrerede aspekt afgørende ved implementering af AI i forsyningskædernes komplekse systemer af organisationer, processer og teknologier.

To amerikanske forskere lagde an til diskussion blandt deltagerne om problematikken ved overflytning af digitalt forbundne supply chains til AI-baserede beslutningsmodeller, se også foto på artiklens forside.

I sådanne modeller skal der tages stilling til, hvem der har beslutningsret, bidrager med input, hvem der har ansvar for beslutningen, og hvilken beslutningshastighed, der ønskes. Er menneskelig indgriben nødvendig, og i givet fald hvor? Eller skal man overlade beslutningen til et autonomt system? Deltagernes erfaring var, at AI-systemer ofte opleves som en ”black box”, hvor beslutningsgrundlaget er vanskeligt at gennemskue. Det kan gøre ansvarsplaceringen uklar og svække tilliden til både data og beslutningsproces. Det blev også fremhævet, at mange fortsat støtter sig til historiske beslutninger og derfor ikke ser værdien af AI. Refleksion over, hvad AI skal bruges til og hvorfor, er med andre ord en mangelvare.

Desuden skal man være opmærksom på, at en central udfordring i supply chain management, den manglende villighed til at dele information, ikke forsvinder med AI. Det gør læring på tværs af forsyningskæden vanskelig, hvilket er et problem, da aktører i en supply chain ofte har forskellige modenhedsniveauer med hensyn til anvendelse af AI. Virksomhederne i en supply chain kan have meget forskellige kompetencer blandt medarbejdere, og ofte mangler kompetencer i at formulere prompts og kvalitetssikre AI-output. Det leder naturligt ind på spørgsmålet om kompetencer i nutidens og fremtidens AI-understøttede produktions- og supply chains.

SCM-kompetencer i en AI-æra
Fra business analytics-feltet fremhæver Davenport (2018) flere organisatoriske forudsætninger for at lykkes med AI. Her er det relevant at notere sig, at AI (ikke specifikt generativ AI) beskrives som den fjerde fase af analytics, og at det perspektiv lægger stor vægt på det IT-tekniske samt avanceret databehandling og statistisk analyse. Han ser datadrevet kultur som det første vigtige punkt kombineret med en robust datainfrastruktur og anvendelse af cloud. Dernæst er trænede analytikerteams en nødvendighed, hvor data science og software-engineering-færdigheder er centrale. Brugervenlige AI-programmer sænker adgangsbarrieren, men analytiske færdigheder og en faglig forståelse af de supply chain-problemer, AI skal løse, er fortsat nødvendige.

MIT-professoren Yossi Sheffi fremhæver behovet for menneskelig del-tagelse og kontrol i automatiserede systemer. Han gengiver desuden en kompetenceramme fra U.S. Government Accountability Office (GAO), som grupperer færdigheder efter uddannelsesniveau. Mennesker kan bl.a. forstå og. håndtere ændringer i konteksten, udøve etisk dømmekraft, tilpasse sig, være kreative, samarbejde, forhandle og vurdere risici. AI kan understøtte disse aktiviteter, men organisationen har fortsat brug for disse menneskelige egenskaber for at sikre sig kontrol over systemet. Sheffis perspektiv på AI er altså ganske positivt set ud fra et menneskeligt synspunkt. Men AI-anvendelse stiller samtidig større krav til kompetencer, hvor kritisk tænkning er et centralt fundament på tværs af uddannelsesniveauer. Sociale kompetencer, koordination, serviceorientering og mundtlig formuleringsevne er på samme måde et fundament, ligesom monitorering og vurdering af AI-output er det. På niveauet ”some college” og opefter vil der blive fokus på kompleks problemløsning, tidsstyring, læring samt rapportlæsning og -skrivning. På bachelor- og kandidatniveau står systemanalyse og vurdering højst på listen efterfulgt af udvikling af læringsstrategier samt instruktion og ledelse af personale. Selvom AI kan give input til flere af disse kompetencer, er supply chain-ledere nødt til at have et grundigt fagligt fundament for at kunne udnytte AI på en troværdig og konstruktiv måde. Universiteterne har i særdeleshed den opgave at styrke kritisk tænkning. Da det er deres kernekompetence, må det være et lyspunkt for dem, der i disse måneder (og år?) er udfordrede af studerendes egen anvendelse af AI.

Afslutning
På grund af SCM’s stærke fundering i data og dataanalyse er SCM et oplagt anvendelsesområde for AI. Der er dog stadig en række udfordringer i forbindelse med AI, som ikke må glemmes i den hæsblæsende udvikling. Det drejer sig måske især om datatransparens og potentielle ”hallucinationer” i komplekse supply chains. Men AI kræver også et endnu større fokus på ledelse af supply chains, herunder ikke mindst AI-implementeringsprojekter. Vigtige beslutninger om omfang af anvendelse og beslutningsrettigheder bør ikke overlades til IT-afdelingen. AI og automatisering kan reducere omfanget af rutineprægede opgaver, men efteruddannelse bliver vigtigere, fordi opgaverne ændrer sig. Sidst men ikke mindst har universiteterne en stor opgave med at forberede de kommende SCM-ledere med de nødvendige faglige kompetencer og styrke deres kritiske tænkning. Uden dyb faglighed og kritisk tænkning mister virksomhederne kontrollen over deres supply chain-systemer.

Referencer
CSCMP (2026), ”CSCMP EDGE Europe 2026: Beyond Efficiency – Redefining Supply Chain Value”, Madrid, 11.-12. juni, https://www.cscmpeurope.com/
Davenport, T. H. (2018), “From analytics to artificial intelligence”, Journal of Business Analytics, 1(2), 73-80. https://doi.org/10.1080/2573234X.2018.1543535
Felin, T. og Holweg, M. (2024), “Theory is all you need: AI, human cognition, and causal reasoning”, Strategy Science, 9(4), 346-371. https://doi.org/10.1287/stsc.2024.0189
Richey, R. G. Jr., Chowdhury, S., Davis-Sramek, B., Giannakis, M. og Dwivedi, Y. K. (2023), “Artificial intelligence in logistics and supply chain management: A primer and roadmap for research”, Journal of Business Logistics, 44(4), 532-549. https://doi.org/10.1111/jbl.12364
Sheffi, Y. (2023), “What skills will you need in the Age of AI?”, The Supply Chain Xchange, 16. oktober. https://www.thescxchange.com/articles/8949-what-skills-will-you-need-in-the-age-of-ai
Stanton, D. og Gabaldon, J. (2026), Supply Chain 5.0: Driving Human-Centric Technology in Supply Chain Operations, Kogan Page.