AI i produkt og sourcing: hvad kan automatiseres – og hvor er menneskelig erfaring stadig afgørende?

AI er en af de største muligheder for små produkt- og sourcingorganisationer.

Ikke fordi AI kan erstatte erfarne medarbejdere i produkt- og sourcingteams, men fordi teknologien kan fjerne en stor del af det administrative arbejde, som forhindrer dem i at bruge tiden dér, hvor de skaber størst værdi: på at forstå kunderne, udvikle kollektioner, opbygge leverandørrelationer og bruge deres kommercielle instinkter til at vækste forretningen.

Bruger man 30 minutter på LinkedIn, kan man dog hurtigt få det indtryk, at stort set alle kan erstattes af AI. Indimellem føles det som om, jeg ser Kejserens nye klæder udspille sig foran mig. Som om det er blevet svært at tale om AI’s begrænsninger uden samtidig at blive opfattet som skeptisk over for teknologien.

Efter min mening er AI et fantastisk værktøj. Muligheden og udfordringen ligger i intelligent at vurdere, hvor værktøjet skaber værdi, og hvor menneskelig erfaring, dømmekraft og relationer fortsat er afgørende.

En reduktion af medarbejderstaben bør ikke automatisk være målet

Nogle virksomhedsejere vil uundgåeligt se AI som en mulighed for at reducere personaleomkostningerne. Og ja, nogle roller vil sandsynligvis forsvinde, men i mange tilfælde er arbejdet blot flyttet frem for forsvundet.

AI arbejder ikke selvstændigt. Det kræver gode input, klare rammer og menneskelig kontrol.

For at få brugbare resultater har man brug for mennesker, som forstår opgaven godt nok til at kunne fortælle AI, hvordan et godt resultat ser ud. Og hvis man beder AI om at hjælpe med at udarbejde et målskema, analysere leverandørperformance eller gennemgå produktdata, skal der stadig være nogen, som forstår mål, leverandører eller produktdata godt nok til at prompte og opdage, når outputtet er forkert.

Det er særligt vigtigt, fordi en af faldgruberne ved AI er, at et forkert svar kan se utroligt overbevisende ud.

De af os, der bruger Large Language Model-værktøjer som ChatGPT eller Claude, har formentlig alle taget dem i at producere forkerte svar, og når vi har påpeget det, har LLM'en været hurtig til at undskylde med en smiley og producere et nyt svar. Det er sjovt eller lettere irriterende, når man planlægger en ferie. Men det kan være problematisk, når forkerte resultater bruges som grundlag for kritiske forretningsbeslutninger.

Der er også en anden problemstilling, virksomheder bør overveje, før de reducerer medarbejderstaben i produkt- og sourcingteams: hvordan sikrer man den fremtidige kompetenceopbygning?

Mange af de administrative og rutineprægede opgaver, som traditionelt er blevet udført af juniormedarbejdere, er præcis de opgaver, AI er bedst egnet til at overtage. Men juniormedarbejdere udfører ikke kun disse opgaver. Det er også gennem dem, at de lærer og opbygger en helhedsforståelse af produkt-, sourcing- og supply chain-systemet.

Hvis AI fjerner det arbejde, som juniormedarbejdere traditionelt har lært forretningen igennem, er virksomheder nødt til at gentænke og redesigne, hvordan den læring skal foregå. For hvor skal fremtidens erfarne produktchefer, indkøbere og sourcingspecialister – der skal prompte AI – ellers komme fra?

Hvor AI kan være en gamechanger

Der er allerede mange områder, hvor AI kan fjerne betydelige mængder repetitivt arbejde fra produkt- og sourcingteams. AI bliver særligt effektivt, når teknologien kombineres med adgang til gode data, systemintegrationer og workflow automation.

Konkurrent- og kundeanalyse er et oplagt eksempel. AI kan analysere store mængder strukturerede kundeindsigter indsamlet af teamet, identificere mønstre i kundeanmeldelser og returdata, og identificere huller i sortimentet.

Der er også muligheder for at reducere rutinearbejdet i Produktudvikling – et område af forretningen, der traditionelt oplever betydelige peaks i arbejdsbyrden. AI kan hjælpe med at udarbejde udkast til indhold i tech packs baseret på eksisterende produktinformation. Det kan udfylde målskemaer ud fra godkendte basismål og på forhånd definerede gradueringsregler. Den vigtige skelnen er, at AI skal anvende regler der er fastlagt af et menneske, frem for selv at beslutte hvad reglerne skal være.

Analyse af leverandørperformance er et andet stærkt use case. Med adgang til data om leveringsperformance, marginer, kvalitetskontrol, reklamationer og ESG kan AI hjælpe med at segmentere leverandører, identificere trends i deres performance og markere dem der kræver ekstra handling.

Der er også et betydeligt potentiale i Indkøb i forhold til critical path management. Med adgang til pålidelige underliggende data og den rette workflow automation kan AI overvåge deadlines, identificere manglende godkendelser, markere forsinkelser, udarbejde rykkere til leverandører og holde status opdateret. I stedet for at indkøbsteams bruger timer på at spørge, hvor prøver, testrapporter eller shippingdokumenter befinder sig, kan de koncentrere indsatsen om de områder, der rent faktisk kræver opmærksomhed.

Det samme gælder kontrol af dokumenter. Purchase orders, fakturaer, pakkelister og shippingdokumenter indeholder store mængder struktureret information. AI kan trække de relevante data ud, sammenligne dokumenter og markere uoverensstemmelser.

Administration af test og compliance kan fungere på samme måde, hvor AI følger op på manglende rapporter og certifikater, udtrækker resultater og markerer fejl baseret på standarder fastlagt af den Quality Assurance- eller CSR-ansvarlige.

Selv kommercielle områder som prisarkitektur og cash-flow-planlægning kan have gavn af AI, hvis det bruges som et værktøj til at strukturere og fortolke data, frem for beregninger.

Hvad kræver fortsat menneskelig styring?

Nogle opgaver er stadig stærkt afhængige af erfaring, fysisk interaktion, dømmekraft og relationer.

Konkurrentresearch er et godt eksempel. AI kan indsamle og analysere information fra konkurrenternes websites (selvom der stadig er behov for et kritisk blik for at kontrollere, at data er indsamlet korrekt), men inspirational shopping er noget andet. At gå rundt i en butik, mærke på materialerne og forstå, hvilke produkter der føles nye, relevante eller spændende, kræver sanser og instinkter, som AI ganske enkelt ikke har.

Det samme gælder design. AI kan hjælpe med at visualisere idéer, skabe variationer og generere moodboards, men originale produktkoncepter og den kreative retning for en kollektion bør fortsat ligge hos designere.

Det er desuden vigtigt at være opmærksom på de risici der kan opstå i forhold til AI-genererede designs og intellectual property. Generative AI-modeller trænes på store mængder eksisterende materiale, og output kan nogle gange komme tættere på eksisterende arbejde end tilsigtet. Derfor er menneskelig creative direction og relevante IP-checks særligt vigtige, når AI-genereret arbejde skal bruges kommercielt.

Teknisk viden er også vigtig. AI kan udfylde en målspecifikation eller anvende graderingsregler, men erfarne konstruktører bør fastlægge templates, basismål og regler fra starten – og validere resultaterne. Og selvom 3D fitting er fantastisk – jeg brugte personligt 3D fitting under Covid-19 med rigtig gode resultater – kan det aldrig erstatte fitting på levende modeller, fordi det ikke kan mærke, om et ærmegab er for stramt, eller om man ikke kan sidde ned i et par bukser på grund af kombinationen af mål og materiale.

Og så er der de områder, hvor menneskelige relationer er fundamentale.

At opbygge tillid hos leverandører, besøge og evaluere nye fabrikker, forhandle vilkår og forstå, hvad der reelt foregår, når en leverandør fortæller, at produktionen er forsinket, kan ganske enkelt ikke automatiseres.

Det kan tiden med kunderne heller ikke. AI kan analysere tusindvis af anmeldelser, men det kan ikke erstatte det at stå i en butik og høre en kunde fortælle, hvordan hun har prøvet seks par bukser, og hvorfor ingen af dem fungerer for hende.

Hvor man skal være særligt kritisk 

En af de største risici i arbejdet med AI er at forveksle velformulerede svar med korrekte svar.

Large Language Models er ekstremt gode til at udtrække, strukturere, opsummere og formulere information. De kan også bruge eksterne værktøjer til at foretage korrekte beregninger, hvis de er integreret med dem. Men en standalone LLM bør ikke betragtes som en pålidelig lommeregner.

Kreativitet har lignende begrænsninger. AI kan generere prints, produkter og koncepter med imponerende hastighed, men arbejder ud fra mønstre, der er lært fra eksisterende materiale. Det gør menneskelig kreativ retning og kritisk dømmekraft endnu vigtigere, især for brands, der ønsker et tydeligt design-DNA frem for produkter, der blot ser bekendte ud. Og som en sidebemærkning tror jeg, at differentiering gennem identitet og produkt bliver endnu vigtigere for brands i de kommende år.

AI fungerer bedst, når opgavens rammer er tydelige, organisationen ved, hvordan et godt resultat ser ud, og outputtet løbende bliver kontrolleret.

Hvor jeg ville starte i morgen

Hvis jeg skulle kigge på en mindre produkt- og sourcingorganisation i dag, ville jeg ikke begynde med at spørge, hvor mange jobs AI kunne erstatte.

Jeg ville starte med at identificere, hvor erfarne medarbejdere bruger uforholdsmæssigt meget tid på repetitivt arbejde.

Critical path-administration ville stå højt på min liste, og det samme ville kontrol af shippingdokumenter mod purchase orders.

Jeg ville også kigge grundigt på analyse af kundefeedback, hvor mange brands allerede ligger inde med enorme mængder værdifuld information, som ingen har tid til at analysere systematisk, selvom kundeindsigt spiller en afgørende rolle i udviklingen af succesfulde kollektioner.

Det er områder, hvor automatisering kan frigive betydelig kapacitet og flytte ressourcer til de områder, hvor de skaber større værdi for forretningen.

Konklusion

Der er opgaver, AI er god til, og der er opgaver, som mennesker fortsat bør eje.

Den vigtigste opgave for ledere er derfor ikke at identificere, hvor mange medarbejdere der kan fjernes fra organisationen. Det er at identificere, hvilke opgaver der kan overdrages til AI, så de erfarne medarbejdere får mere tid til det arbejde, der skaber værdi.

Automatisér administrationen. Automatisér repetitive analyser. Automatisér opfølgning og kontrol, hvor det giver mening.

Men beskyt den ekspertise, dømmekraft, kreativitet og de relationer, der former og differentierer brandet og skaber den konkurrencemæssige fordel.

PS: Der gemmer sig i øvrigt et lille Easter egg i det AI-genererede billede ovenfor, der på bedste vis illustrerer hvorfor menneskelig kontrol af output stadig er nødvendig😉