Indkøb består af en lang kæde af opgaver: fra at registrere, at der er behov for noget, til forhandling, bestilling, modtagelse og fakturering. Nogle af disse opgaver er stort set administrative og følger et fast mønster. Andre kræver vurdering, relationsfornemmelse eller en afvejning, der ikke kan indfanges i regler. Vores taksonomi tæller 62 opgaver inden for dette domæne, fordelt over tre kategorier. Denne artikel viser mønsteret: hvilken type arbejde hører hvor, og hvorfor.
Opgaver, som AI i praksis kan udføre selvstændigt, har typisk to kendetegn: input er struktureret, og der findes et klart, kontrollerbart korrekt svar. Tænk på kontrol af ordrebekræftelse. Pris, antal og leveringstid på bekræftelsen sammenlignes med det, der er bestilt, og en afvigelse kan konstateres objektivt. Der er ikke brug for fortolkningsrum.
Det samme gælder for at afgive bestilling hos leverandør, så snart en indkøbsanmodning er godkendt. At omdanne en godkendt anmodning til en officiel ordre er et spørgsmål om korrekt at overføre data til det rigtige system og format, ikke om vurdering.
Også behandling af indkøbsfakturaer falder i vid udstrækning ind under denne kategori: matchning af faktura, bestilling og modtagelsesbevis er en tredobbelt sammenligning med fastsatte kriterier. Så længe dokumenterne er digitale og læsbare, er dette en opgave, hvor et system matcher hurtigere og mere konsistent, end et menneske gør manuelt. Hvad disse opgaver har til fælles, er, at sandhedens kilde allerede er fastlagt i andre systemer: ordren, anmodningen, kontrakten. AI sammenligner og behandler, den opfinder ikke noget.
Den største gruppe af opgaver på indkøbsafdelingen kombinerer et AI-forslag med en menneskelig vurdering, der godkender eller afviser, med begrundelse. Det er en anden arbejdsdeling end fuld overtagelse: systemet udfører det første udkast, mennesket bærer ansvaret for beslutningen.
Indhentning og sammenligning af tilbud er her et godt eksempel. Et system kan uden problemer stille tilbud op mod hinanden på pris, betingelser og leveringstid, og det overblik er værdifuldt. Men hvilken leverandør, der bedst passer til situationen, afhænger også af forhold, der ikke altid fremgår af tilbuddet: tidligere erfaringer, strategisk betydning, risikovillighed. Den afvejning kræver et menneske, der kan godkende eller afvise resultatet.
Undersøgelse af prisafvigelser falder ligeledes ind under denne kategori. Et system kan registrere, at en fakturapris afviger fra den aftalte pris, og endda foreslå en sandsynlig årsag. Men den faktiske løsning med leverandøren, og spørgsmålet om, om afvigelsen er acceptabel, forbliver en vurdering, som skal foretages af en person med kendskab til relationen og kontrakten.
Også vurdering af leverandørpræstationer hører hertil. Data om leveringstid, kvalitet og klager er nemme at samle og opsummere, men vurderingen af, hvad det betyder for relationens videre forløb, er en beslutning med konsekvenser, som et menneske skal kunne begrunde. Denne kategori er i praksis den største, fordi indkøb i særlig grad er et fagområde, hvor tal giver en indikation, men ikke hele historien.
En tredje gruppe opgaver er ikke egnet til overtagelse, heller ikke med tilsyn, fordi kernen i arbejdet handler om at overbevise, opbygge tillid eller træffe en beslutning med langsigtede konsekvenser, der ikke følger af data alene.
Forhandling af indkøbspriser er det klareste eksempel. Forhandling er en dynamisk, social proces, hvor tone, timing og gensidig tillid er mindst lige så vigtige som tallene. Et AI-system kan levere input, men at føre selve samtalen er noget andet.
Valg af leverandør til en vigtig eller langvarig kontrakt forbliver ligeledes menneskearbejde, især når valget går videre end pris og leveringstid. Strategisk afhængighed, reputationsrisiko og kvaliteten af samarbejdet på lang sigt er faktorer, der er svære at kvantificere.
Derudover forbliver onboarding af leverandør en opgave, hvor der er behov for menneskelig kontrol af compliance- og betalingsoplysninger, netop fordi fejl her medfører finansiel risiko. Dette knytter sig til et bredere tema: når brugen af AI berører beslutninger om, hvem der udfører arbejdet, eller hvordan en organisation er indrettet, gælder der særlige lovkrav, som også kan læses om i AI-forordningen og dine medarbejdere.
Hvad der skiller de tre kategorier fra hinanden, er ikke opgavens kompleksitet i sig selv, men karakteren af den beslutning, der ligger i den. At sammenligne, matche og overtage allerede registrerede data er velegnet til fuld automatisering. At vurdere på baggrund af flere, delvist bløde kriterier kræver tilsyn. At overbevise, forhandle og træffe strategiske valg forbliver menneskearbejde. Dette mønster er ikke unikt for indkøb: i hvilket arbejde kan AI overtage inden for logistik og for HR-opgaver, som beskrevet i hvilket arbejde kan AI overtage på HR-afdelingen, går den samme tredeling igen: struktureret arbejde i kategori 1, vurderingsarbejde i kategori 2, relations- og beslutningsarbejde i kategori 3.
Hvor mange timer dette konkret frigør, afhænger i høj grad af indkøbsafdelingens størrelse, de systemer, der allerede er koblet sammen, og antallet af leverandører og kontrakter. Der findes ikke en generel procentsats for dette uden at kende den enkelte situation.
Indelingen i denne artikel viser mønsteret, ikke den præcise situation på Deres egen indkøbsafdeling. For en første indikation findes den gratis quickscan fra ftetoai: tolv spørgsmål, uden konto, med en indikation af, hvor stor en del af timerne i Deres profil der i dag kan overtages af AI. Den fulde arbejdsscan, der går dybere ind i specifikke opgaver og processer, er stadig under udvikling; den kan vi endnu ikke tilbyde her, men vi kan annoncere den, så snart den er tilgængelig.
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.