Když se objeví signál, týmy obvykle analyzují data, plánují schůzky mezi odděleními, vyhodnocují scénáře a koordinují reakce napříč plánováním, nákupem, výrobou, logistikou a servisními operacemi. V době, kdy je reakce implementována, se ovšem provozní příležitost, nebo naopak narušení již vyvinuly. Tato rostoucí propast mezi poznatky a reakcí na ně se stala jedním z největších zdrojů neefektivity v automobilovém provozu.

Agentní umělá inteligence nabízí zásadně odlišnou cestu vpřed. Aby však vedoucí pracovníci pochopili její potenciální dopad, musí si uvědomit, že se nejedná jen o další technologickou iniciativu. Představuje posun ve způsobu fungování automobilových podniků a nově definuje, jak se rozhodování činí a provádí v komplexních provozních sítích.

V automobilovém průmyslu je nyní experimentování s umělou inteligencí velmi rozšířené. Firmy provozují pilotní projekty v oblasti předpovídání poptávky, prediktivní údržby, optimalizace cen a detekce rizik v dodavatelském řetězci. Tyto iniciativy často přinášejí působivé poznatky a prediktivní schopnosti.

Přesto relativně málo organizací uzavřelo smyčku mezi identifikací signálu a provedením operační reakce. Výzkum organizací, jako je MIT Sloan Management Review, opakovaně ukazuje, že mnoho iniciativ s umělou inteligencí má potíže s dosažením měřitelného obchodního dopadu – ne proto, že by modely postrádaly přesnost, ale proto, že organizace nedokážou integrovat poznatky do provozních pracovních postupů.

Tato výzva je často popisována jako problém „poslední míle“ umělé inteligence. Firmy dokážou odhalit problémy dříve než kdykoli předtím, ale operační systémy a organizační procesy potřebné k řešení těchto poznatků zůstávají fragmentované a vysoce manuální. Výsledkem je latence rozhodování, která zpomaluje schopnost organizace reagovat.

Předpovědi přicházejí rychleji, než se plánovací cykly stihnou upravit. Narušení dodavatelů se objeví dříve, než mohou nákupní týmy koordinovat reakce. Ke zvyšování nákladů dochází dříve, než lze provést úpravy cen v rámci komplexních produktových portfolií. Ve skutečnosti má odvětví inteligenci – ale chybí mu uzavřená smyčka.

Automobilový průmysl byl vždy složitým odvětvím, ale úroveň provozní složitosti, které dnes společnosti čelí, je bezprecedentní. Moderní vozidla obsahují 20 000 až 30 000 komponentů pocházejících od tisíců dodavatelů napříč globálními výrobními sítěmi. Signály poptávky kolísají v různých regionech a segmentech vozidel, zatímco ceny komodit a narušení logistiky nadále vytvářejí nejistotu.

Zároveň toto odvětví prochází řadou strukturálních transformací. Elektrifikace zavádí nové dodavatelské řetězce, které komplikují geopolitické posuny.

Navíc dnešní vozidla mohou obsahovat stovky milionů řádků softwarového kódu a softwarové funkce stále více definují zákaznickou zkušenost. Technické změny probíhají častěji, integrace mezi dodavateli hardwaru a softwaru je složitější a funkce lze aktualizovat po celou dobu životního cyklu vozidla.

Tyto síly zrychlují tempo provozního rozhodování, které je v celém podniku vyžadováno. Tradiční koordinační modely – týdenní plánovací schůzky, analýzy řízené tabulkami a manuální aktualizace napříč více podnikovými systémy – byly navrženy pro pomalejší éru vývoje produktů a stability dodavatelského řetězce. Stále méně jsou schopny držet krok s rychlostí a složitostí moderních automobilových operací.

 

Agentní umělá inteligence představuje zásadně odlišný přístup k podnikovým operacím. Na rozdíl od tradičních systémů umělé inteligence, které pouze poskytují doporučení nebo poznatky, jsou agentní systémy navrženy tak, aby monitorovaly provozní signály, vyhodnocovaly možnosti a prováděly provozní reakce v rámci definovaných rámců. To umožňuje organizacím přejít od reaktivní analýzy ke koordinovanému provádění v reálném čase.

V praxi to vytváří uzavřený operační model sestávající z několika vzájemně propojených prvků. Provozní signály – jako jsou změny poptávky, narušení dodavatelů, kolísání cen komodit, omezení výroby a signály kvality – jsou v celém podniku průběžně monitorovány. Rozhodovací systém tyto signály vyhodnocuje pomocí prediktivních modelů, analýzy scénářů a kontextového uvažování.

Ochranné limity definují hranice přijatelných akcí. Ty mohou zahrnovat finanční limity, závazky dodavatelů, požadavky na dodržování předpisů a provozní zásady stanovené vedením. Jakmile jsou tyto parametry stanoveny, mohou provozní systémy provést vhodnou reakci úpravou výrobních plánů, úpravou objednávek, aktualizací cenových pravidel nebo koordinací logistických akcí.

Nakonec smyčka učení zachycuje výsledky a neustále zlepšuje jak modely, tak zásady, které řídí rozhodování. V tomto modelu lidští vedoucí přesouvají svou roli z koordinace tisíců provozních rozhodnutí na definování strategických ochranných rámů a priorit, které řídí realizaci podniku.

Představte si dodavatele Tier-1, který vyrábí komponenty pro tepelný management baterií pro několik OEM programů. Koncem čtvrtletí začínají nová tržní data ukazovat zpomalení poptávky po elektromobilech na několika evropských trzích. Prediktivní systémy společnosti tento posun rychle detekují.

V tradičním operačním modelu se však reakce rozvíjí pomalu. Plánovači poptávky kontrolují signál, koordinují své činnosti s výrobními týmy, upravují plány nákupu a zahajují jednání s dodavateli. V době, kdy jsou tyto změny implementovány, již mohou být vyrobeny nadbytečné zásoby a závazky vůči dodavatelům zajištěny.

V uzavřeném operačním modelu agentní systémy okamžitě simulují revidované scénáře poptávky a upravují výrobní plány, množství objednávek od dodavatelů a alokace zásob v rámci předem definovaných limitů. Plánovači kontrolují a dohlížejí na úpravy, místo aby je koordinovali ručně. Organizace reaguje během několika hodin, nikoli týdnů.

Podobná dynamika se objevuje i ve scénářích narušení dodávek. Představte si, že OEM výrobce čelí neočekávanému nedostatku polovodičů, který ovlivňuje kritický elektronický řídicí modul. Dnes takové narušení obvykle spouští naléhavé schůzky, protože týmy analyzují dopady na výrobu a hledají alternativní možnosti získávání zdrojů. Během tohoto zpoždění mohou výrobní linky stát, náklady na alternativní logistiku se zvyšují a závazky vůči prodejcům jsou ohroženy. V agentním operačním modelu systém okamžitě vyhodnocuje alternativní scénáře výroby, přerozděluje omezené komponenty na vozidla s vyšší marží a upravuje pořadí výroby v rámci závodů. Prognózy dodávek prodejců se aktualizují automaticky, což umožňuje vedoucím pracovníkům rychle reagovat a zároveň si zachovat provozní kontrolu.

Agentní umělá inteligence představuje další fázi digitální transformace v automobilovém průmyslu. První fáze digitalizace se zaměřila na viditelnost, vytváření dashboardů a analýz, které dříve odhalovaly provozní problémy. Další fáze se musí zaměřit na orchestraci a koordinaci podnikových reakcí v rámci plánování, výroby, dodavatelského řetězce a servisních operací.

Tento posun předefinuje fungování automobilových organizací. Místo manuálního řízení tisíců provozních rozhodnutí budou společnosti stále více definovat zásady a zábrany, zatímco autonomní systémy koordinují provádění v celém podniku. Pozornost vedení se přesouvá z provozní koordinace na strategické směřování.

Společnosti, které uspějí, nebudou ty, které spustí nejvíce pilotních projektů s umělou inteligencí. Budou to společnosti, které přepracují své provozní modely kolem systémů rozhodování s uzavřenou smyčkou. Vedoucí představitelé automobilového průmyslu by měli začít položením základní otázky: Která provozní rozhodnutí by měla být nejprve uzavřena?

Ti, kteří na tuto otázku odpoví včas, získají silnou výhodu – rychlejší reakci na volatilitu, silnější marže, nižší provozní kapitál a odolnější provoz v odvětví, kde se složitost neustále zvyšuje.