KI in der Lieferkette: Sechs Schlüsselbarrieren überwinden für echte Ergebnisse

Künstliche Intelligenz hat das Potenzial, fast alles zum Besseren zu verändern. Ihre Wirkung dürfte der von Elektrizität und anderen General-Purpose-Technologien gleichkommen, die unser Leben bereichert haben. Erste Anzeichen zeigen sich in Testfällen mit autonomen Fahrzeugen – Schiffen und Flugzeugen – und die Vorteile gehen weit über Personalreduktion hinaus.

Beispiel: Bis zu 90 % der Seeunfälle werden auf menschliches Versagen zurückgeführt. KI könnte solche Fälle signifikant reduzieren. Durch Vehicle-to-Vehicle-Kommunikation (V2V) teilen Fahrzeuge wichtige Daten wie Position, Geschwindigkeit und Kurs. Die Informationen können genutzt werden, um Fahrer und autonome Systeme auf mögliche Bedrohungen und Kollisionen hinzuweisen – auch solche außerhalb des Sichtfelds. Auch weniger sichtbare Verkehrsteilnehmer wie Motorräder und Fahrräder können erkannt werden. V2V kombiniert mit KI kann Kollisionen und Staus reduzieren, indem es Fahrer, Piloten und Kapitäne proaktiv auf antizipierte Probleme und Kollisionen mit anderen Fahrzeugen sowie Verkehrsgefahren hinweist.

Die Vorteile von KI in Produktivität, Innovation und globalem Wirtschaftswachstum sind ebenso signifikant. McKinsey & Company schätzt, dass KI-Adoption bis 2030 zusätzliche globale wirtschaftliche Aktivität von ca. 13 Billionen $ liefern könnte – ca. 16 % höheres kumulatives BIP vs. heute. Das entspricht 1,2 % zusätzlichem BIP-Wachstum pro Jahr. PwCs Schätzung ist noch höher: über 15 Billionen $.

Angesichts dieses Potenzials ist es leicht, sich von KI mitreißen zu lassen und die großen Probleme zu ignorieren, mit denen Unternehmen bei Adoption und effektiver Nutzung konfrontiert sind. Hier sind Herausforderungen und mögliche Lösungen.

1. Mangel an großen, sauberen Daten

Alle computergestützten Prozesse brauchen gute Daten, KI ist keine Ausnahme. Machine Learning (ML) benötigt besonders riesige Volumen präziser Daten, um Algorithmen zu trainieren und prädiktive Modelle zu entwickeln. Die meisten Unternehmen haben weder Qualität noch Quantität der Daten dafür.

Lösung: Datenqualität durch effektives Master Data Management verbessern und Echtzeitdaten so weit wie möglich in Prozesse und Systeme einbinden. Echtzeit-Multi-Party-Digital-Business-Netzwerke pflegen eine „Single Version of the Truth“ bei kontinuierlicher Synchronisation externer Systeme – Unternehmen arbeiten so mit den vollständigsten, aktuellsten Informationen.

Organisationen sollten auch Lösungen mit vortrainierten, ML-basierten Algorithmen in Betracht ziehen, die auf großen Datenmengen aus ähnlichen Szenarien und Unternehmen basieren. Durch ihre enormen Transaktionsvolumina können Digital Business Networks gut trainierte Algorithmen und intelligente Agenten schnell schärfen, die neue Netzwerkmitglieder nutzen können.

2. Kompartimentierte KI ist unintelligente KI

Lieferketten sind inhärent cross-funktional und cross-enterprise. Die zum Betrieb nötigen Daten sind über interne und externe Partner verstreut. Unternehmen, die KI fragmentiert implementieren und das große Bild ignorieren, erzielen schlechte Ergebnisse. Ohne Zugriff auf alle relevanten Daten haben Algorithmen weiterhin blinde Flecken und verpassen Optimierungs- und Ausführungschancen.

Lösung: So viele relevante Systeme, Operationen und Handelspartner wie möglich einbeziehen, um Genauigkeit, Kontext und Vollständigkeit der Daten zu stärken. Ziel: gesamte Lieferkette an ein Echtzeitnetzwerk anbinden, von Quelle bis Endkunde. Nur eine supply-chain-weite Lösung kann kritische Operationen wie Bestandsniveaus und Logistikmanagement vollständig optimieren, indem sie das volle Bild von Nachfrage und Supply überwacht.

3. Black Box vs. Explainable AI

Bestimmte ML-Techniken wie Scorecards und Decision Trees sind leicht verständlich. Neuronale Netze sind komplexer und mysteriöser. Sollen wir auf diese Daten handeln oder das System autonom agieren lassen, wenn wir nicht wissen, wie es zu Entscheidungen kam?

Amazons Experiment mit KI für Recruiting scheiterte, als Forscher bemerkten, dass das System eine starke Bias für männliche Einstellungen hatte – trainiert auf überwiegend männlichen Daten. Die KI wertete Kandidatinnen zweier Frauenhochschulen ab und traf andere unangemessene Entscheidungen rein aufgrund des Geschlechts.

KI muss in Inputs, Prozessen und Entscheidungen transparent sein. Unternehmen müssen zumindest im Kern verstehen, wie Algorithmen funktionieren, wie sie zu Entscheidungen gelangen und wie sie Wert schaffen und verteilen. Idealerweise macht das System die Gründe hinter Entscheidungen explizit, sodass Nutzer Entscheidungen autonomer Agenten einsehen, genehmigen und überstimmen können. Unternehmen sollten Algorithmen auch an ihre spezifischen Bedürfnisse anpassen können.

4. Kurzsichtige Optimierung

Jeder Prozess und jede Änderung trägt Kosten. Werden diese nicht in die Entscheidungsfindung einbezogen, kann das Ergebnis schlimmer sein als gar nichts zu tun. In Lieferketten mit vielen Partnern und Systemen verliert man leicht die langfristigen Konsequenzen einer Aktion aus den Augen. Viele Lösungen fallen in diese Falle, indem sie die gesamte Lieferkette neu planen, „Nervosität“ im System erzeugen und massive, unnötige Änderungen und Kosten verursachen, wo eine geringere oder lokalere Änderung genügt hätte.

Lösung: Optimierungen sollten kontinuierlich statt gelegentlich sein und auf die wenigsten möglichen Entitäten begrenzt werden, um Netzwerkdisruption zu minimieren. Wie bei einem Flugzeug auf Autopilot: kontinuierliche kleine Kurskorrekturen kompensieren Bedingungsverschiebungen, während der Kurs präzise gehalten wird. Die Alternative: ein einmaliges großes Re-Routing, wenn das Flugzeug nahe am Ziel weit abgedriftet ist. Diese kontinuierlichen Anpassungen summieren sich zu großen Verbesserungen ohne erschütternde Schockwellen in der Lieferkette.

5. Überenthusiastische KI-Vendoren

Viele Software-Vendoren sind auf den KI-Zug aufgesprungen. Verständlich, gegeben die Vagheit der Definition und der ill-definierten, ausufernden Domäne. „Machine Learning“ ist ein besser definierter Begriff und oft das, was Menschen meinen, wenn sie „Künstliche Intelligenz“ sagen.

Dennoch müssen Vendoren klar erklären, was sie mit Begriffen wie „Künstliche Intelligenz“, „Machine Learning“, „Neuronale Netze“, „Deep Learning“ meinen. Am wichtigsten: Sie müssen zeigen, wie ihre KI mehr Business Value liefert als traditionelle heuristische Algorithmen. Wie funktioniert es? Spannt es Systeme und Unternehmen ein, um das gesamte Netzwerk mit all seinen Bedingungen und Constraints zu umfassen? Oder ist es auf wenige Funktionen/Domänen beschränkt? Wer nutzt es, und welche Ergebnisse wurden erzielt?

6. Der KI-Skills-Gap

Viele Unternehmen werden von der rasanten Evolution und wachsenden Lebensfähigkeit von KI kalt erwischt. KI erfordert moderne Skills: neue Sprachen, Frameworks, Denkweisen. Wenige Unternehmen sind gerüstet, den Transition zu bewältigen und dieses schnell wachsende Feld voll auszuschöpfen. Eine 2018 O'Reilly-Umfrage deutet an, dass der KI-Skills-Gap die größte Barriere für KI-Adoption ist.

Langfristig wird der Markt den Skills-Deficit lösen, aber bis dahin sollten Unternehmen ihre Bedürfnisse und potenzielle New Hires identifizieren. Bestehende Mitarbeiter schulen, Anreize und neue Karrierepfade für den Shift zu ML und KI bieten.

Eine weitere Option: Partnerschaft mit einer Technologiefirma, die Netzwerk, Ressourcen und Expertise hat, um KI-Lösungen oder KI-gestützte Plattformen zu beraten, implementieren und zu warten. Letzteres ermöglicht Unternehmen, schneller zu starten und früher Gewinne zu realisieren.

Nigel Duckworth ist Senior Strategist bei One Network Enterprises, Anbieter eines KI-gestützten Business Networks.