چگونه هوش مصنوعی مولد مدیریت زنجیره تأمین را بهبود می‌دهد.

طی چند دهه گذشته، پیشرفت در فناوری اطلاعات به شرکت‌ها اجازه داده است از تصمیم‌گیری مبتنی بر شهود و تجربه به سمت روش‌های خودکار و داده‌محور حرکت کنند. در نتیجه، کسب‌وکارها شاهد افزایش بهره‌وری، کاهش قابل‌توجه هزینه‌ها و بهبود خدمات مشتری بودند.

پیش‌نیاز مسئله

بااین‌حال، مدیران ارشد همچنان باید زمان و تلاش زیادی برای درک توصیه‌های سیستم‌های خود، تحلیل سناریوهای مختلف و اجرای تحلیل‌های «چه می‌شود اگر» (what-if analyses) صرف کنند. به‌روزرسانی مدل‌های ریاضی ابزارهای مدیریت زنجیره تأمین برای انعکاس تغییرات محیط کسب‌وکار نیز زمان‌بر است. برای حل این مسائل، مدیران مجبور بودند تیم‌های علم داده یا ارائه‌دهندگان فناوری را برای توضیح نتایج یا اعمال تغییرات در سیستم وارد کنند.

پیشرفت‌های اخیر در مدل‌های زبانی بزرگ (LLMها) که نوعی از هوش مصنوعی مولد است؛ اکنون امکان انجام این فعالیت‌ها را بدون چنین پشتیبانی پرچالشی فراهم کرده است، زمان تصمیم‌گیری را از چند روز و چند هفته به چند دقیقه و چند ساعت کاهش می‌دهد و به طور چشمگیری بهره‌وری و تأثیرگذاری مدیران ارشد را افزایش می‌دهد.

کاربردهای هوش مصنوعی در حمل‌ونقل و لجستیک

در این گزارش و به نقل از نسخه January February 2025 مجله کسب‌وکار هاروارد، بررسی خواهیم کرد که چگونه می‌توان ازLLMها برای کشف بینش از داده‌ها استفاده کرد تا مدیران درک بهتری از وضعیت زنجیره تأمین خود به دست آورند، به سؤالات «چه می‌شود اگر» پاسخ دهند و ابزارهای مدیریت زنجیره تأمین را برای درنظرگرفتن شرایط فعلی کسب‌وکار به‌روزرسانی کنند. همچنین به چالش‌هایی که شرکت‌ها باید برای پذیرش LLMها بر آن‌ها غلبه کنند و فرصت‌هایی که برای گسترش کاربردهای آن‌ها در آینده وجود دارد نیز خواهیم پرداخت.

تجربه‌هایی که به اشتراک گذاشته می‌شود عمدتاً از استفاده مایکروسافت از یک سیستم مبتنی بر LLM برای مدیریت تأمین سرورها و سایر سخت‌افزارها برای بیش از ۳۰۰ مرکز داده در سراسر جهان برای پشتیبانی از خدمات ابری این شرکت به‌دست‌آمده است. مایکروسافت این سیستم مبتنی بر LLM را از مارس تا اکتبر ۲۰۲۳ به‌صورت آزمایشی اجرا کرد و سپس در نوامبر ۲۰۲۳ به طور کامل آن را به کار گرفت. از آن زمان، این سیستم تأثیر قابل‌توجهی بر بهره‌وری و کارایی داشته است که با زمان پاسخ‌گویی به رخدادها و سرعت تصمیم‌گیری اندازه‌گیری می‌شود و انتظار می‌رود این دستاوردها با بهبود مستمر سیستم افزایش یابد. بااین‌حال، قابلیت‌هایی که درباره آن‌ها بحث می‌کنیم وابسته به استفاده از محصولات مایکروسافت نیست؛ مجموعه گسترده‌ای از LLMهای باکیفیت امروزی می‌توانند برای دستیابی به همین نتایج مورداستفاده قرار گیرند. حال بیایید مزایایی را که LLMها می‌توانند ارائه دهند بررسی کنیم.

کشف داده و بینش

یک زنجیره تأمین سنتی را در نظر بگیرید که شامل تعدادی تأمین‌کننده مواد اولیه، کارخانه‌هایی برای تولید محصولات، و خرده‌فروشانی است که این محصولات را عرضه می‌کنند. یک مدیر اجرایی با کمک LLM، می‌تواند با زبانی ساده سؤالاتی مانند این مطرح کند: «امروز تأمین‌کننده S چه مقدار ماده اولیه از نوع T دارد؟» یا «ارزان‌ترین گزینه برای ارسال کالا از کارخانه F به خرده‌فروش R چیست؟» یکLLM  می‌تواند این پرسش‌ها را به کوئری‌های علم داده ترجمه کند که سپس در مخزن داده سازمان (مانند یک پایگاه‌دادهSQL ) اجرا می‌شود و پاسخ را به‌صورت یک جمله کامل ارائه می‌دهد. نکته مهم از منظر حفظ حریم خصوصی این است که LLM می‌تواند به‌عنوان یک سرویس ابری استفاده شود؛ یعنی داده‌های اختصاصی شرکت نیازی به انتقال به یک LLM شخص ثالث ندارند.

فراتر از این که ابزاری برای درک وضعیت فعلی زنجیره تأمین سازمان وجود داشته باشد، یکLLM  می‌تواند تصمیمات اتخاذشده توسط سیستم زنجیره تأمین را توضیح دهد و بینش‌های بیشتری مانند اطلاعات مربوط به روندها را ارائه کند. برای مثال، یک مدیر می‌تواند درباره روندهای اخیر سؤالاتی مانند این موارد را مطرح کند: «کدام کارخانه در هفته گذشته بیشترین بهره‌وری را داشت؟» یا «تعداد یا درصد مواردی در ماه گذشته که هزینه کل حمل‌ونقل از ۵۰٬۰۰۰ دلار فراتر رفت چقدر بود؟» در ادامه، نمونه‌های واقعی از شرکت‌هایی که از LLMها برای کشف داده و بینش استفاده کرده‌اند ارائه می‌کنیم.

ردیابی تغییرات تقاضا. رایانش ابری یک صنعت چندمیلیارددلاری است که ارائه‌دهندگانی مانند آمازون، مایکروسافت و گوگل را ملزم می‌کند سرمایه‌گذاری‌های بزرگی در ساخت مراکز داده، تجهیز آن‌ها با سخت‌افزار و بهره‌برداری از آن‌ها انجام دهند تا ظرفیت موردنیاز همیشه در دسترس باشد. آن‌ها باید به طور مداوم تقاضای رو‌به‌رشد برای خدمات را برآورده کنند درحالی‌که هزینه‌های سخت‌افزاری و عملیاتی را به حداقل می‌رسانند. برای این منظور، ارائه‌دهندگان خدمات ابری تصمیمات دوره‌ای در مورد استقرار سخت‌افزار اتخاذ می‌کنند که بسیاری از ملاحظات هزینه‌ای مانند حمل‌ونقل، استهلاک سخت‌افزار و حتی ملاحظات عملیاتی مانند سازگاری سخت‌افزار، موجودی و نیروی انسانی موردنیاز برای استقرار سرور را در نظر می‌گیرد.

در مایکروسافت، تقاضا برای سرورها از گروه‌های داخلی کسب‌وکار که مالک سرویس‌های مختلف ابری هستند می‌آید (مانند Azure Storage، Azure Virtual Machines و Microsoft 365). تقاضا از طریق یک درخواست مشخص می‌شود که شامل نوع و تعداد سرورهای موردنیاز، منطقه‌ای که باید در آن مستقر شوند و تاریخ ایده‌آل استقرار است. با استفاده از این درخواست‌ها به‌عنوان ورودی، تیم زنجیره تأمین به طور منظم یک برنامه تقاضای واحد تولید می‌کند. مهندسان مایکروسافت به‌صورت دوره‌ای یک ابزار بهینه‌سازی رایانه‌ای را اجرا می‌کنند تا یک برنامه اجرای تأمین تولید کنند که در آن سخت‌افزار واقعی از انبارهای تأمین تخصیص می‌یابد و مشخص می‌شود چه زمانی به مراکز داده ارسال خواهد شد. مدیران مایکروسافت بر روند تحقق برنامه نظارت می‌کنند. وظایف آن‌ها شامل تأیید این است که برنامه تحقق تأمین نیازهای کسب‌وکار را برآورده می‌کند و اطمینان از این‌که سرورها طبق برنامه اجرا به‌درستی استقرار یافته‌اند. سرورهای مستقرشده معمولاً برای چندین سال توسط گروه‌های کسب‌وکار استفاده می‌شوند تا زمانی که ازرده‌خارج شوند.

مدیران همچنین تغییرات در برنامه تقاضا که «رانش تقاضا» (demand drift) نامیده می‌شود را به‌صورت ماهانه بررسی می‌کنند تا مطمئن شوند که برنامه اصلاح‌شده تمام نیازهای مشتری را برآورده می‌کند و در چارچوب بودجه باقی می‌ماند. ارزیابی رانش تقاضا به طور سنتی توسط مدیرانی انجام می‌شود که اغلب دانشمندان داده و مهندسان واحدهای مختلف کسب‌وکار را وارد فرایند می‌کنند. پس از درک تغییرات، این مدیران خلاصه‌ای اجرایی برای توضیح تغییرات در هر منطقه تهیه می‌کنند.

اما امروز فناوری مبتنی بر LLM همه این کارها را انجام می‌دهد. این فناوری به‌صورت خودکار یک گزارش ایمیلی ایجاد می‌کند که جزئیات مربوط به این که چه کسی هر تغییر را ایجاد کرده و دلیل آن چه بوده را ارائه می‌دهد. همچنین خطاهای احتمالی که مدیران می‌توانند بررسی کنند را مشخص می‌کند. برای مثال، اگر تقاضا (تعداد کل سرورها) در برنامه جدید کمتر از برنامه قبلی باشد، ایمیل می‌تواند دلیل دقیق کاهش تقاضا را مشخص کند؛ مثلاً، معرفی نسل جدیدی از سخت‌افزار با کارایی بالاتر که نیاز به سرورهای کمتر را ممکن می‌سازد. این ابزار LLM به مدیران اجازه می‌دهد تحلیل رانش تقاضا را ظرف چند دقیقه و به‌صورت مستقل تکمیل کنند؛ کاری که پیش‌تر حدود یک هفته زمان می‌برد.

اجرای قراردادها. در صنعت خودروسازی، تولیدکنندگان تجهیزات اصلی (OEM) مانند فورد، تویوتا و جنرال موتورز هزاران تأمین‌کننده دارند و با هر یک چندین قرارداد امضا کرده‌اند. این قراردادها جزئیات قیمت پرداختی، الزامات کیفیت، زمان‌های تحویل و تمهیدات تاب‌آوری موردانتظار از تأمین‌کنندگان را مشخص می‌کنند. پس از واردکردن داده‌های هزاران قرارداد در یک LLM، یکی از این OEMها توانست کاهش قیمت‌هایی که به دلیل عبور از یک آستانه حجم مشخص، مستحق آن بود را شناسایی کند. تیم تدارکات این شرکت به دلیل پیچیدگی و تعداد بالای قراردادها این فرصت را نادیده گرفته بود. نتیجه این کشف، صرفه‌جویی چندمیلیون‌دلاری در هزینه‌های تدارکات بود.

پاسخ به پرسش‌های «چه می‌شود اگر»

یک مدل زبانی بزرگ به مدیران اجازه می‌دهد پرسش‌های دقیقی مطرح کنند. در ادامه چند نمونه آمده است: «اگر تقاضای کلی محصول ۱۵ درصد افزایش یابد، هزینه حمل‌ونقل اضافی چقدر خواهد بود؟»، «اگر خرده‌فروش R فقط از محصولات کارخانه F استفاده کند، هزینه تأمین اضافی چقدر خواهد بود؟»، «اگر کارخانه F را تعطیل کنیم، آیا می‌توانیم همه تقاضاها را تأمین کنیم؟»، «اگر هزینه ماده خام نوع M به‌ازای هر واحد ۱ دلار کمتر باشد، هزینه کل تولید محصول P چقدر کاهش می‌یابد؟»

LLM چگونه می‌تواند به چنین پرسش‌هایی به طور دقیق و کارآمد پاسخ دهد؟ بسیاری از وظایف بهینه‌سازی در قالب برنامه‌های ریاضی نوشته می‌شوند که ساختار زنجیره تأمین و تمام نیازهای کسب‌وکار را در نظر گرفته و توصیه‌های مؤثر ارائه می‌کنند. یک LLM جایگزین مدل ریاضی نمی‌شود؛ بلکه آن را تکمیل می‌کند. به طور مشخص، پرسش انسانی را به کدی ریاضی ترجمه می‌کند که تغییر کوچکی نسبت به مدل ریاضی اصلیِ مورداستفاده برای تولید برنامه محسوب می‌شود. به‌عنوان‌مثال، الزام استفاده یک خرده‌فروش از محصولات یک کارخانه مشخص، با افزودن یک شرط ریاضی انجام می‌شود که ارسال محصولات از سایر کارخانه‌ها به آن خرده‌فروش را ممنوع می‌کند. این تغییر کوچک در مدل ریاضی سپس به ابزار مدیریت زنجیره تأمین داده می‌شود تا یک برنامه اصلاح‌شده تولید کند که فقط برای مقایسه با برنامه موجود استفاده می‌شود. سپس خروجی مدل ریاضی جدید دوباره از طریق LLM پردازش شده و پاسخ آن به زبان ساده و قابل‌فهم برای انسان ارائه می‌شود.

برای یادگیری این رویکرد در استفاده از LLM برای دریافت اطلاعات جاری درباره زنجیره تأمین و طرح پرسش‌های «چه می‌شود اگر»، می‌توانید کد و بنچمارک‌های منبع‌باز مایکروسافت را در github.com/microsoft/OptiGuide  مشاهده کنید.

به این موضوع توجه کنید که مدیران در عملیات سرویس ابری مایکروسافت چگونه از این قابلیت استفاده می‌کنند تا یک برنامه انجام سفارش ایجاد کنند که تخصیص سرورها برای ارسال از انبارها به مراکز داده را مشخص می‌کند. برای هر درخواست، تصمیمات اصلی شامل موارد زیر است:

1. نوع سرور و انباری که قرار است تقاضا را تأمین کند.
2. تاریخ ارسال
3. مقصد اتصال سرورها (مرکز داده مشخص و موقعیت مشخص در آن).

هدف؛ به‌حداقل‌رساندن هزینه کل چندین مؤلفه مانند هزینه‌های حمل‌ونقل و هزینه فرصت تخمینی ناشی از تأخیر در استقرار سرورها بعد از تاریخ ایده‌آل است.

وقتی مدیران خروجی ابزار بهینه‌سازی را دریافت می‌کنند، می‌توانند تأیید کنند که این برنامه نیازهای کسب‌وکار را برآورده می‌کند و اجرای صحیح آن را تضمین کنند. بااین‌حال، مسائل بهینه‌سازی زیربنایی آن‌قدر پیچیده‌اند که ممکن است درک فوری منطق پشت هر تصمیم دشوار یا حتی غیرممکن باشد. در نتیجه، مدیران اغلب با مهندسان و دانشمندان داده‌ای که ابزار بهینه‌سازی را توسعه داده‌اند، تماس می‌گیرند تا بینش‌های اضافی و تکمیلی دریافت کنند. مدیران و مهندسان معمولاً نیازمند چندین دور تعامل هستند تا یک مسئله یا سناریوی «چه می‌شود اگر» را کامل بررسی کنند که ممکن است چندین روز تأخیر ایجاد کند.

اکنون سیستم مبتنی بر LLM به مدیران اجازه می‌دهد در چند دقیقه پاسخ پرسش‌هایی مانند «درصورتی‌که یک سفارش خاص را در تاریخ درخواست‌شده به‌جای یک تاریخ دیگر تأمین کنیم، درصد افزایش هزینه چقدر است؟» یا «اگر یک انبار خاص را برای یک هفته غیرفعال کنیم، افزایش هزینه چقدر خواهد بود؟» را دریافت کنند.

برنامه‌ریزی تعاملی

مدیران می‌توانند از فناوری LLM برای به‌روزرسانی مدل‌های ریاضیِ ساختار زنجیره تأمین و نیازهای کسب‌وکار استفاده کنند تا محیط کنونی کسب‌وکار را بازتاب دهند. علاوه بر این، یک LLM می‌تواند مدیران را از تغییر در شرایط کسب‌وکار آگاه کند.

فرض کنید مدیران یک سری اطلاعات بلادرنگ دریافت کرده‌اند مبنی بر اینکه یک واحد تولیدی مشخص به مدت هفت روز به دلیل طوفان زمستانی ازکارافتاده است. برای به‌روزرسانی برنامه فروش و عملیات (S&OP) بدون کمک LLM، مدیران باید با تیم‌های IT و علم داده همکاری کنند تا تنظیمات لازم در برنامه را انجام دهند؛ فرایندی که ممکن است زمان‌بر باشد. اما با کمک یک LLM، مدیران می‌توانند مستقیماً از سیستم بخواهند برنامه جدیدی تولید کند که از واحد مختل‌شده استفاده نکند. اگر برنامه جدید نتواند همه تقاضای پیش‌بینی‌شده را پوشش دهد، ابزار برنامه‌ریزیِ مجهز به LLM نه‌تنها S&OP به‌روزشده و هزینه‌های متناظر آن (برای مثال، هزینه‌های تأمین و حمل‌ونقل) را تولید می‌کند، بلکه تقاضای تأمین‌نشده و تأثیر آن بر سودآوری را نیز مشخص می‌کند.

نیاز به تغییر برنامه تأمین ممکن است توسط فناوری مبتنی بر LLM نیز ایجاد شود. برای مثال، پس از تحلیل داده‌های حمل‌ونقل از یک تأمین‌کننده مشخص، LLM ممکن است هشدار دهد که زمان تحویل از آن تأمین‌کننده طی چند ماه گذشته به طور قابل‌توجهی افزایش یافته است. همچنین فناوری مبتنی بر LLM زمان احتمالی ارسال بعدی را پیش‌بینی و اعلام می‌کند. باتوجه‌به اینکه افزایش زمان تحویل، سطح خدمات را در یک منطقه خاص کاهش خواهد داد مگر آنکه اقدامات اصلاحی انجام شود، مدیر ممکن است از سیستم مبتنی بر LLM بخواهد ابزار برنامه‌ریزی را با اطلاعات جدید مجدداً اجرا کند و برنامه جدیدی تولید کند. این برنامه که LLM آن را به زبان ساده انسانی به مدیران منتقل می‌کند؛ ممکن است شامل ارسال‌های فوری از تأمین‌کننده یا انتقال موجودی از انبار یک منطقه دیگر به منطقه تحت‌تأثیر باشد.

استفاده ازLLMها به روش‌هایی که در اینجا توضیح داده شد، هنوز نسبتاً جدید است و انتظار می‌رود طی چند سال آینده، فناوری مبتنی بر LLM از سناریوهای تصمیم‌گیری سرتاسری پشتیبانی خواهد کرد. برای مثال، کاربران ممکن است بتوانند مسئله تصمیم‌گیری موردنظر خود را با زبان ساده توصیف کنند. این مسئله می‌تواند یک مسئله تولید خاص باشد (مثلاً با وجود شبکه‌ای پیچیده از واحدهای تولیدی، کجا و چه زمانی یک محصول خاص تولید شود) یا یک مسئله تخصیص موجودی (مثلاً باتوجه‌به محدودیت موجودی در یک انبار، چگونه آن را به فروشگاه‌های مختلف تخصیص دهیم تا تقاضا به بهترین نحو تأمین شود). فناوری امروزی قادر است این مدل‌های ریاضی و توصیه‌ها را تولید کند، اما تأیید اینکه مدل به‌درستی محیط کسب‌وکار را نمایش می‌دهد یا نه هنوز یک چالش است.

غلبه بر موانع

با آغاز به‌کارگیری مدل‌های زبانی بزرگ در مدیریت زنجیره تأمین، شرکت‌ها باید بر انواع مختلفی از موانع برای استقرار مؤثر این فناوری غلبه کنند.

پذیرش و آموزش. استفاده از یک LLM برای بهینه‌سازی زنجیره تأمین نیازمند زبانی بسیار دقیق است. برای مثال، اگر کاربری بپرسد: «آیا می‌توانیم از کارخانه F بهتر استفاده کنیم؟» واژه «بهتر» می‌تواند به چندین شکل تفسیر شود: هزینه‌های کمتر، توان عملیاتی بالاتر، توان عملیاتی متعادل‌تر در طول زمان و غیره. هر یک از این تفسیرها به تصمیمات متفاوتی منجر می‌شود؛ بنابراین ضروری است که افرادی که از سیستم استفاده می‌کنند، آموزش ببینند. مدیران ارشد ممکن است نیاز داشته باشند که یاد بگیرند سؤال‌های دقیق‌تری بپرسند و سایر مدیران نیز ممکن است نیاز به آموزش درباره توانایی‌ها و محدودیت‌های فناوری‌های مبتنی بر LLM داشته باشند. به همین دلایل، مایکروسافت به‌تدریج در حال استقرار این فناوری جدید است. ابزاری که پیش‌تر برای پاسخ‌گویی به پرسش‌های «چه می‌شود اگر» توضیح داده شد، تنها مجموعه‌ای از پرسش‌های رایج را پشتیبانی می‌کند. سازمان؛ تعامل کاربر، دقت و سازوکارهای مقاومت در برابر خطا را پایش خواهد کرد و سپس دامنه پوشش را به‌مرورزمان گسترش می‌دهد. مدیران درباره این فناوری آموزش دیده‌اند و مجموعه پرسش‌هایی را دریافت کرده‌اند که ابزار در حال حاضر پشتیبانی می‌کند.

شرکت Dell نیز اهمیت ارتقای مهارت نیروی کار خود برای استفاده ازLLMها در زنجیره تأمین را به رسمیت می‌شناسد. تجربه اولیه این شرکت با استفاده از هوش مصنوعی از طریق همکاری با یک ارائه‌دهنده اپلیکیشن‌های زنجیره تأمین، هم باعث ایجاد اشتیاق برای آنچه ممکن است و هم ایجاد حس فوریت برای آماده‌سازی افراد جهت مدیریت هوش مصنوعی شده است. به گفته «ساشا پایلت کاف» (Sasha Pailet Koff)، یکی از معاونان ارشد Dell: «آموزش نیروی انسانی برای پرسیدن پرسش‌های درست از هوش مصنوعی مولد، به چالشی بزرگ‌تر از خود تکنولوژی تبدیل شده است. توسعه مهارت رهبرانی که بتوانند هوش مصنوعی مولد را مدیریت کنند، نسبت به یک نیروی انسانی حیاتی‌تر است. تنها در این صورت است که شرکت‌ها می‌توانند فرایندهای مناسب را که برای تصمیم‌گیری مبتنی بر هوش مصنوعی مناسب‌تر هستند، انتخاب کنند.»

راستی‌آزمایی. فناوری LLM ممکن است گاهی خروجی اشتباه تولید کند؛ بنابراین، یک چالش کلی این است که فناوری را «در مسیر نگه داریم» (inside the rails)؛ یعنی خطاها را شناسایی کنیم و از آن‌ها بازیابی کنیم. شرکت‌ها در حال حاضر با ارائه مثال‌های غنی و تخصصی حوزه‌ای که دقت خروجی‌ها را افزایش می‌دهد و با افزودن سازوکارهایی برای شناسایی زودهنگام پرسش‌هایی که فناوری از پس آن‌ها برنمی‌آید، با این چالش مقابله می‌کنند. برای مثال، اگر یک پرسش پشتیبانی‌نشده مطرح شود، سیستم مبتنی بر LLM پاسخ پیش‌فرضی مانند «متأسفانه نمی‌توانم در این پرسش کمک کنم؛ این فهرست پرسش‌های پشتیبانی‌شده است» ارائه می‌دهد. طبیعتاً، دشواری راستی‌آزمایی دقت با افزایش پیچیدگی خروجی افزایش می‌یابد. برای مثال، فرض کنید اجازه دهیم LLM یک برنامه ریاضی کامل تولید کند تا از ابتدا یک برنامه تأمین بهینه ایجاد کند. سیستم چگونه باید اعتبار آن را بررسی کند؟ چگونه می‌توانیم مطمئن شویم که برنامه در مدت زمانی معقول، یک طرح بهینه تولید می‌کند؟ این‌ها هنوز پرسش‌های باز و نیازمند پژوهش‌های بیشتر هستند.

نقش‌های جدید نیروی کار. باتوجه‌به اینکه فناوری LLM به سطح بالایی از خودکارسازی می‌رسد، نقش مدیران نیز تغییر خواهد کرد. به‌جای درگیرشدن در یک فرایند تصمیم‌گیری زمان‌بر و مستعد خطای انسانی، مدیران قادر خواهند بود از LLMها برای کشف بینش‌های بیشتر و توضیح توصیه‌های برنامه‌ریزی زنجیره تأمین خود استفاده کنند. این امر به سطح بالاتری از اعتماد کاربران و پذیرش گسترده‌تر توصیه‌های ابزار منجر خواهد شد. به طور مشابه، در حوزه تدارکات، کارکنان زمان بسیار کمتری برای تهیه قراردادهای جدید صرف خواهند کرد؛ LLMها می‌توانند قراردادهایی متناسب با یک دسته محصول خاص طراحی کنند و اطلاعاتی درباره عملکرد گذشته تأمین‌کنندگان مختلف ارائه دهند تا مدیران بتوانند گزینه مناسب را انتخاب کنند.

به بیان دیگر، نیروی کاری که از ابزارهای مبتنی بر LLM استفاده می‌کند، قادر خواهد بود تمرکز خود را از وظایف تکراری روزمره به فعالیت‌های دارای ارزش‌افزوده، مانند تفکر استراتژیک درباره فعالیت‌های مختلف زنجیره تأمین یا همکاری داخلی میان حوزه‌های عملکردی و همکاری خارجی با تأمین‌کنندگان و مشتریان، منتقل کند. برای مثال، مدیران تقاضا می‌توانند با مدیران تجاری (که مسئول بازاریابی، قیمت‌گذاری و تخفیف‌ها هستند) همکاری کنند تا تأثیر اقدامات تجاری بر پیش‌بینی تقاضا را درک کنند. بر اساس تجربه نویسندگان، این نوع همکاری در حال حاضر در بیشتر سازمان‌ها وجود ندارد. البته چالش اصلی این است که اطمینان حاصل شود رهبری سازمان، دیوارهای موجود میان حوزه‌های عملکردی را از میان بردارد و فرایندهای کسب‌وکار را برای امکان‌پذیر کردن همکاری اصلاح کند.

با وجود این چالش‌ها، نویسندگان اطمینان دارند که فناوری مبتنی بر LLM، به کمک افزایش کارایی، تاب‌آوری، بهره‌وری و دقت؛ در آینده‌ای نزدیک مدیریت زنجیره تأمین را متحول خواهد کرد. این فناوری مکمل ابزارهای امروزی زنجیره تأمین خواهد بود و به مدیران اجازه می‌دهد مستقیماً با ابزارهای زنجیره تأمین تعامل کنند، بدون نیاز به دانشمندان داده یا مهندسان. شرکت‌ها قادر خواهند بود تعداد قابل‌توجهی از فرایندهای زنجیره تأمین را خودکار کنند و حتی فرایندهای جدیدی مانند ادغام فرایندهای تجاری و پیش‌بینی ایجاد کنند. در واقع، این ادغام به یک سیستم مدیریت زنجیره تأمین حلقه‌بسته منجر خواهد شد؛ جایی که حوزه‌های تجارت، زنجیره تأمین و مالی با یکدیگر همکاری می‌کنند تا یک برنامه تأمین ارائه دهند که با تمام اهداف و نیازهای کسب‌وکار و مالی سازگار باشد. ظرف چند سال، فناوری مبتنی بر LLM می‌تواند مدیریت زنجیره تأمین را واقعاً متحول کند.