En lagerchef eller planlægger holder styr på, hvor meget der ligger på hylden af hvert enkelt artikel, og slår alarm, så snart noget kommer under normen. Det er i dag ofte en kombination af at tjekke et dashboard, gennemgå en rapport og på baggrund af erfaring beslutte, hvad der er akut. Spørgsmålet er, om et AI-system kan udføre den overvågning og signalering selv, uden at nogen konstant følger med.
Svaret er: for det meste ja, forudsat at data og normen er i orden. Dette er en af de opgaver, hvor agentlignende systemer allerede kører i dag, ikke som fremtidsvision men som noget, der allerede er operationelt hos en del af virksomhederne.
Tre kendetegn afgør billedet her.
Struktureringsgrad er høj. Et lagerniveau er et tal, normen er et tal, og sammenligningen mellem dem er en regneregel, ikke en tolkning. Der er ingen fritekst at læse, ingen kontekst at afveje. Det er præcis den type opgave, hvor software har været god i årtier, og hvor AI gør det endnu mere pålideligt og hurtigt ved også at tage mønstre i forbrug og leveringstid med.
Volumen er højt. Et mellemstort lager har hundreder til tusinder af artikler, hver med sin egen lagerlinje, der konstant ændrer sig. Et menneske, der holder styr på det manuelt, er nødt til at se på stikprøver eller fastlagte runder. Et system kigger på alt, konstant, uden at opmærksomheden svækkes ved artikel 400.
Fejlomkostninger spiller ind, og ikke til fordel for manuelt arbejde. En overset underskridelse betyder en out-of-stock-situation, en forsinket levering, muligvis et produktionsstop videre i kæden. Det er præcis den type gentagelig, veldefineret kontrol, hvor konsistens er mere værd end improvisation. Et system, der aldrig springer et artikel over, reducerer den risiko strukturelt.
De øvrige akser bekræfter billedet uden at komplicere det. Der er ingen kundekontakt, ingen fysisk handling og ingen kreativitet nødvendig for at sammenligne et tal med en tærskel. Compliance spiller en rolle, når lagernormer hænger sammen med lovpligtige lagerkrav eller kontraktuelle leveringsaftaler, men også det kan fastlægges i regler. Skønsrum scorer moderat: ikke fordi overvågningen selv er til forhandling, men fordi normen selv — hvor meget sikkerhedslager der er forsvarligt for hvilket artikel — forbliver et valg, som nogen træffer og løbende reviderer.
En grossist med et par tusind aktive artikler lader et system hver time sammenholde lagerstandene fra wms'et med normen pr. artikel. Så snart et artikel kommer under tærsklen, genererer systemet automatisk en meddelelse og, hvor reglerne tillader det, en udkast-indkøbsordre. En planlægger vurderer undtagelserne: artikler med en udløbende holdbarhed, en sæsontop, eller en leverandør, der lige er blevet udskiftet. Selve den regnemæssige kontrol sker uden menneskehånd; vurderingen af de afvigende tilfælde forbliver menneskearbejde med tilsyn, der godkender eller afviser.
Dette billede skifter, så snart forudsætningerne mangler. To ting er uundgåelige: aktuelle lagerdata og definerede tærskelværdier.
Uden aktuelle data — for eksempel hos en virksomhed, der stadig holder styr på lager med periodiske optællingsrunder og Excel i stedet for et wms eller erp, der opdaterer i realtid — har et system intet at reagere på. Problemet er da ikke, at AI ikke kan klare opgaven, men at kilden mangler.
Uden definerede normer bliver opgaven igen et skøn: nogen skal for hvert artikel bestemme, hvad et forsvarligt minimum er, baseret på gennemløbstid, efterspørgselsvariation og risikoen for at blive udsolgt. Hos en virksomhed med stærkt varierende efterspørgsel, korte produktlivscykler eller mange nye artikler uden salgshistorik ligger den norm mindre fast, og fokus skifter fra overvågning til løbende genkalibrering af selve tærsklen. Denne genkalibrering forbliver da en opgave med mere skønsrum, selv hvis signaleringen bagefter igen forløber automatisk.
Lagerovervågning står ikke alene. En underskridelse fører til en indkøbsordre, som igen forbindes til, hvordan indkøbsfakturaer behandles, og hvordan en levering senere registreres via registrering af en følgeseddel i systemet. På den anden side af processen bestemmer lagerstanden også, hvornår en pluklist kan genereres og tildeles. Den, der vurderer lagerovervågning på automatiseringsmulighed, gør godt i også at kigge på disse tilstødende opgaver, for den frigjorte fte-kapacitet ligger ofte ikke i én opgave, men i hele kæden omkring den.
Dette er ikke en udtalelse om, hvorvidt nogen bevarer deres stilling. Om frigjorte timer fører til andre opgaver, mindre indlejet arbejdskraft eller noget andet, er et valg, der ligger hos arbejdsgiveren, og hvor egne lovkrav gælder. Denne side beskriver kun, hvad der sker med selve arbejdet.
Om lagerovervågning hos Deres virksomhed rent faktisk i vid udstrækning er overførbar, afhænger af, hvad Deres wms eller erp allerede leverer af aktuelle data, og om tærskelværdierne allerede er fastlagt et sted. Den gratis quickscan fra FTE TO AI består af tolv spørgsmål, uden konto, og giver en indikation af, hvilken del af timerne i denne profil AI kan overtage i dag. Den fuldstændige arbejdsscan, som deler en hel virksomheds arbejde op i opgaver og for hver opgave beregner fte-kapacitet, er stadig under udvikling.
Vraag maar. Ik ken de kennisbank van deze site; wat ik niet weet, zeg ik erbij.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.