Wie Agentic AI die Serviceplanung verbessern kann

Fragt man einen Ersatzteilplaner, was er mit mehr Zeit anfangen würde, könnte die Antwort eine Chance aufzeigen, die das Unternehmen bisher noch nicht genutzt hat: eine sich wandelnde Servicestrategie zu bewerten, wiederkehrende Ausnahmen zu untersuchen oder Alternativen zu vergleichen, bevor ein Problem dringlich wird.

In einer Diskussion, die ich kürzlich mit den führenden Unternehmen von Servigistics – Steven Caldwell, Dr. Vipul Agrawal und Vivek Dube – moderierte, rückte die Zukunft der Planung im Zusammenhang mit dieser Chance in den Fokus. Agentic AI kann Planern helfen, schneller von der Informationssammlung zur Bewertung von Optionen und zur Umsetzung geschäftlicher Prioritäten überzugehen.

Agrawal beschrieb das Ziel so, den Anwendern zu helfen, sich weniger auf dringende Aufgaben und mehr auf wichtige Aufgaben zu konzentrieren. Dies ist ein nützlicher Ansatz zur Bewertung von KI-Investitionen: Welche wertvollen Aktivitäten wird die Technologie ermöglichen?

Auf der bereits vorhandenen Automatisierung aufbauen

Eine fortschrittliche Ersatzteilplanung automatisiert bereits einen Großteil der Analyse- und Entscheidungsprozesse. Prognose- und Optimierungsmodule bewerten Nachfrage, Lagerbestände und Nachschubbedarf über Netzwerke hinweg, deren manuelle Planung unpraktikabel wäre.

Caldwell erklärte, dass sich Planer häufig auf Empfehlungen konzentrieren, die einer zusätzlichen Überprüfung bedürfen. Ein Agent kann bei dieser Überprüfung unterstützen und im Rahmen der ihm gewährten Befugnisse bei der Durchführung von Genehmigungsaufgaben helfen. Die Chance besteht darin, den Aufwand für die Bearbeitung von Routinefällen zu reduzieren und den Planern mehr Kapazitäten für Entscheidungen zu verschaffen, die ihr Urteilsvermögen erfordern.

Erklärbarkeit unterstützt diesen Wandel. Dube erläuterte, wie der KI-Assistent Planungsergebnisse zusammenfassen und den Anwendern helfen kann, Empfehlungen nachzuvollziehen. Wenn Anwender erkennen können, warum eine Entscheidung getroffen wurde, haben sie eine solidere Grundlage, um sie zu akzeptieren, in Frage zu stellen oder weiter zu untersuchen.

Diese Zugänglichkeit kann Organisationen dabei helfen, ihre bereits vorhandenen Fähigkeiten besser zu nutzen. Dube beschrieb einen Kunden, der den KI-Assistenten nutzte, um Konfigurationsanforderungen zu verstehen und zusätzliche Funktionen in einer Testumgebung zu erkunden. Das Beispiel veranschaulicht, wie eine dialogorientierte Anleitung Nutzern helfen kann, Planungsfunktionen kennenzulernen und zu bewerten.

Von Fragen zu koordiniertem Handeln

Agentic AI bietet die Möglichkeit, Arbeitsabläufe unter Verwendung der ihr zur Verfügung stehenden Tools auszuführen. In der Diskussion veranschaulichte Dube den Unterschied anhand von Szenario-Modellierung. Ein Nutzer beschreibt einen strategischen Planungsbedarf in der Geschäftssprache; ein Agent hilft dabei, diesen Bedarf in die für die Durchführung der Analyse erforderlichen Schritte zu übersetzen.

Man stelle sich einen Serviceleiter vor, der die Expansion in einen neuen Markt evaluiert. Die Analyse kann den Vergleich von Lagerinvestitionen, Serviceleistung, Lieferrisiken und Betriebsbudgets über mehrere Alternativen hinweg umfassen. Ein Agent kann dabei helfen, die Szenarioarbeit zu organisieren und die von den Planungsmodellen erzeugten Ergebnisse zu erläutern, wodurch es dem Leiter erleichtert wird, die Vor- und Nachteile abzuwägen.

Caldwell beschrieb zudem „Control-Tower“-Agenten, die den Zustand der Lieferkette überwachen und aufkommende Probleme identifizieren. Diese Agenten können sich mit anderen Agenten abstimmen, die sich auf Bereiche wie Prognosen oder die Feinabstimmung von Bestandsmodellen konzentrieren. Er hob Möglichkeiten hervor, die Vertriebs-, Bestands- und Betriebsplanung durch strategische Analysen zu unterstützen.

Zusammen beschreiben diese Beispiele einen Weg hin zu einem reaktionsfähigeren Planungszyklus: Leistung überwachen, Veränderungen untersuchen, Alternativen bewerten und genehmigte Maßnahmen umsetzen. Menschliche Nutzer legen weiterhin die geschäftlichen Prioritäten fest und üben die Kontrolle aus.

Vertrauen erfordert Engineering und Transparenz

Da Agenten immer mehr Verantwortung übernehmen, wird ihre Koordination zu einer Herausforderung des Engineerings. Dube betonte, dass mehrere Agenten Übergaben, Kontext und Status verwalten müssen. Ihre Arbeit erfordert zudem Leitplanken, Sicherheit und Transparenz darüber, was sie im Laufe der Zeit tun.

Diese Anforderungen sind von Bedeutung, da Entscheidungen in der Service-Lieferkette miteinander verknüpft sind. Eine unangemessene Bestandsüberschreibung auf einem Level des Netzwerks kann die Service-Leistungen oder die Beschaffung an anderer Stelle betreffen. Angesichts zunehmender Automatisierung ist es besonders wichtig, die Grenzen der Befugnisse eines Agenten sowie die Umstände zu definieren, die eine Überprüfung durch den Menschen erfordern.

Agrawal hob Zuverlässigkeit, Robustheit und Wiederholbarkeit als wichtige Erwartungen an industrielle KI hervor. Er betonte zudem, wie wichtig es ist, die Grenzen von Sprachmodellen zu verstehen und sorgfältig abzuwägen, wo diese neben anderen Technologien eingesetzt werden sollten. Sowohl eine aussagekräftige Erklärung als auch eine verlässliche operative Entscheidung erfordern jeweils eine angemessene Validierung.

Für führende Unternehmen gehören zu den praktischen Fragen, welche Maßnahmen ein Agent ergreifen darf, wie diese Maßnahmen überwacht werden und wie das Unternehmen deren Folgen überprüfen kann. Vertrauen entsteht durch die Fähigkeit, das Verhalten des Systems zu verstehen und zu steuern.

Das Geschäftspotenzial einschätzen

Caldwell beschrieb einen Hersteller, der gemeinsam mit dem Servigistics-Team vor der Implementierung anhand seiner eigenen Daten den geschäftlichen Nutzen abschätzte. Die Einführung erfolgte dann schrittweise, um sie an den vom Kunden gewünschten Zeitplan für die Wertschöpfung anzupassen. Auf anfängliche Verbesserungen bei Bestand und Lieferquote folgten weitere Gewinne, als zusätzliche Funktionen eingeführt wurden.

Dieses Beispiel betrifft die übergeordnete Planungsgrundlage. Es bietet zudem einen nützlichen Ansatz zur Bewertung von Agentic AI: Identifizieren Sie die geschäftliche Chance, legen Sie eine Ausgangsbasis fest und führen Sie Funktionen in einer Reihenfolge ein, die den Prioritäten des Unternehmens entspricht.

Für einen agentenunterstützten Workflow könnten nützliche Kennzahlen beispielsweise die für die Überprüfung von Ausnahmen aufgewendete Zeit, die Geschwindigkeit der Szenarioanalyse oder die Akzeptanz von Planungsfunktionen sein. Diese Kennzahlen sollten mit den Service- und Finanzergebnissen verknüpft sein, die das Unternehmen verbessern möchte.

Die Vision der führenden Unternehmen ist eine Planungsumgebung, in der die Mitarbeiter mehr Zeit damit verbringen, ihr geschäftliches Fachwissen einzubringen. Agenten helfen bei der Untersuchung und Koordination der Arbeit; Prognose- und Optimierungstools bewerten den Plan; Planer und Führungskräfte legen die Prioritäten fest. Die Chance besteht darin, den Serviceteams mehr Spielraum zu geben, die Zukunft des von ihnen verwalteten Netzwerks mitzugestalten.

Sehen Sie sich das vollständige Gespräch mit den führenden Unternehmen von Servigistics – Steven Caldwell, Dr. Vipul Agrawal und Vivek Dube – an und erfahren Sie, wie Optimierungswissenschaft und Agentic AI die Zukunft der Planung in der Service-Lieferkette prägen.