Wie Agentic AI die Planung in der Service-Lieferkette verbessert

Ein KI-Agent kann eine Anfrage interpretieren, ein Problem untersuchen und einen Arbeitsablauf koordinieren. Wenn es jedoch darum geht, zu entscheiden, welche Ersatzteile in einem globalen Netzwerk vorrätig gehalten werden sollen, kommt eine weitere Anforderung hinzu: eine zuverlässige Methode zur Vorhersage, wie sich diese Entscheidungen auf die Verfügbarkeit der Geräte, die Lagerinvestitionen und den Kundenservice auswirken werden.

Dies war ein zentrales Thema einer Diskussion, die ich kürzlich mit Steven Caldwell, General Manager bei Servigistics, Dr. Vipul Agrawal, Vice President of Product Management, und Vivek Dube, Vice President of Research and Development, moderierte. Ihre Sichtweisen weisen auf einen praktischen Leitgedanken für Führungskräfte im Servicebereich hin, die KI bewerten: die hinter dem Agenten stehende Entscheidungswissenschaft zu untersuchen.

Service-Lieferketten erfordern einen anderen Ansatz

Bei der Fertigungsplanung wird die Materialverfügbarkeit häufig mit einem Produktionsplan abgestimmt. Die Ersatzteilplanung muss zudem auf Bedarfe vorbereitet sein, deren Zeitpunkt und Ort ungewiss sind. Ein Teil wird vielleicht nur selten benötigt, doch sein Fehlen kann dazu führen, dass ein Flugzeug am Boden bleiben muss, ein medizinisches System nicht verfügbar ist oder eine Industrieanlage außer Betrieb ist.

Caldwell betonte, dass das Ziel über den effizienten Bestandsumschlag hinausgeht. Es umfasst die Betriebszeit der Anlagen, die Verfügbarkeit der Anlagen und die Einsatzbereitschaft. Das Netzwerk muss diese Ergebnisse unterstützen und gleichzeitig die in Ersatzteile investierten Mittel effektiv nutzen.

Das Problem wird noch komplexer, wenn Ersatzteile Reparatur- und Rücklaufkreisläufe durchlaufen, mehrere Bezugsquellen einen Bedarf decken können und der Bestand über mehrere Level eines globalen Netzwerks verteilt ist. Eine Lagerentscheidung an einem Standort betrifft, was andere Standorte liefern können. Bei einer unabhängigen Bewertung jedes einzelnen Ersatzteils und Standorts können diese Zusammenhänge übersehen werden.

Ein prädiktiver Digital Twin stellt einen Zusammenhang zwischen Entscheidungen und deren Folgen her

Dube beschrieb, wie wichtig es ist, die Service-Lieferkette in der Software genau abzubilden. Diese Abbildung muss ihre Struktur, zirkuläre Abläufe, geschäftliche Prioritäten und Unsicherheiten umfassen. Außerdem muss sie Prognosen, Optimierung und Planung in dem Umfang und mit der Geschwindigkeit unterstützen, die das Unternehmen benötigt.

Agrawal erläuterte, warum ein prädiktiver Digital Twin für diesen Ansatz von zentraler Bedeutung ist. Ein Überblick über den aktuellen Bestand zeigt einem Unternehmen, worüber es heute verfügt. Ein prädiktives Modell hilft dabei, abzuschätzen, wie sich dieser Bestand unter zukünftigen Bedingungen entwickeln wird – und wie eine andere Entscheidung das Ergebnis verändern könnte.

Mehrstufige Optimierung nutzt diese Zusammenhänge, um den Bestand im gesamten vernetzten Netzwerk zu bewerten. Die Frage lautet dann, wie Teile über verschiedene Standorte hinweg so positioniert werden können, dass die Serviceziele erreicht werden und gleichzeitig Investitionen und Risiken ausgewogen sind. Die Auftragsplanung hilft anschließend dabei, durch Beschaffungs-, Reparatur- und Nachschubentscheidungen den Weg zur Erreichung dieser Ziele festzulegen.

Diese Grundlage unterstützt auch die strategische Analyse. Wenn ein Unternehmen in eine neue Region expandiert, eine Serviceverpflichtung ändert oder mit längeren Lieferzeiten konfrontiert ist, kann es Szenarien bewerten, bevor es Ressourcen bindet. Das Modell bietet führenden Unternehmen eine Grundlage für den Vergleich der Konsequenzen.

Geben Sie Sprachmodellen die richtigen Tools an die Hand

Large Language Models bringen wertvolle Fähigkeiten in dieses Umfeld ein. Sie können natürliche Sprache interpretieren, Informationen zusammenfassen, Ergebnisse erläutern und bei der Koordination von Aufgaben helfen. Diese Fähigkeiten erleichtern den Zugang zu und die Nutzung von ausgefeilten Planungstools.

Die führenden Unternehmen betonten, dass für die Optimierungsberechnungen nach wie vor spezielle Tools erforderlich sind. Der Zugriff auf Unternehmensdaten allein liefert einem Sprachmodell noch kein validiertes Modell der Unsicherheit, der Netzwerkabhängigkeiten oder der Abwägungen zwischen Bestand und Service.

Ein Agent kann dabei helfen, eine geschäftliche Anforderung in ein Szenario zu übersetzen, die entsprechenden Planungs-Tools aufzurufen und deren Ergebnisse darzustellen. Beispielsweise könnte ein führendes Unternehmen fragen, wie sich die Beschaffungsausgaben senken lassen, ohne dabei vorrangige Serviceverpflichtungen zu beeinträchtigen. Der Agent kann bei der Organisation der Analyse helfen; die Prognose- und Optimierungs-Tools bewerten die Konsequenzen der verfügbaren Optionen.

Diese Aufgabenteilung ist unerlässlich. Sprachfähigkeiten helfen den Menschen, ihre Absichten auszudrücken und Ergebnisse zu verstehen. Speziell entwickelte Entscheidungswissenschaft liefert die quantitative Grundlage für die Bewertung des Plans.

Die Grundlagen der Erfahrung bewerten

Für führende Unternehmen im Dienstleistungsbereich sollte eine überzeugende Demonstration den Weg für einen tiefergehenden Dialog ebnen. Wie bildet das System das Dienstleistungsnetzwerk ab? Wie berücksichtigt es Unsicherheiten und Reparaturabläufe? Mit welchen Tools werden die Empfehlungen berechnet? Wie werden die Ergebnisse getestet, erläutert und mit messbaren Geschäftsergebnissen verknüpft?

Caldwell lenkte die Diskussion zurück auf den Zusammenhang zwischen Lagerinvestitionen und Lagerleistung. Unternehmen können Verbesserungen durch geringere Lagerbestände, besseren Service oder eine Kombination aus beidem erzielen. Sie können zudem Szenarioanalysen nutzen, um bessere strategische Entscheidungen zu treffen.

Agentic AI schafft neue Wege, auf diese Informationen zuzugreifen, sie zu koordinieren und entsprechend zu handeln. Ihr Wert steigt, wenn die zugrunde liegenden Modelle die für das Unternehmen wichtigen Entscheidungen bewerten können. Für Service-Lieferketten macht dies die Optimierungsgrundlage zu einem zentralen Bestandteil der KI-Strategie.

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 gestalten.