Vid mottagning av gods kontrolleras en leverans mot följesedeln och beställningen, och mottagningen bokförs i ERP eller WMS. Frågan är om AI kan ta över den processen. Svaret är delvis, och den del som återstår är inte av en slump den del där någon fysiskt måste stå vid godset.
Själva inbokningen är en strukturerad uppgift: det finns en beställning, det finns en följesedel, och systemet förväntar sig en matchning mellan vad som beställts och vad som kommer in. Den jämförelsen är precis det slags arbete som mjukvarusystem är bra på. Axeln struktur får därför en hög poäng, och att känna igen uppgifter på en följesedel eller faktura via bild är en uppgift som AI redan klarar idag. Volym spelar också in här: ett lager som hanterar hundra rader per dag har mer att vinna på automatisk igenkänning än en plats som får två leveranser per vecka.
Även regelefterlevnad talar för automatisering: om en leverans måste registreras enligt ett fast protokoll, med tidsstämpel, kvantitet och referensnummer, är det något ett system är mer konsekvent i än en manuell inmatning i slutet av ett långt skift. Den som redan låter beställningen läggas automatiskt ser att kopplingen mellan inköpsordrar som läggs automatiskt hos leverantörer och mottagandet av just den ordern är ett logiskt nästa steg: systemet vet redan vad som borde komma, och kan direkt ställa den inkommande datan mot det.
De tre axlarna som avgör här är fysisk, felkostnader och struktur, och de två första bromsar det den tredje möjliggör. Fysisk får en låg poäng eftersom det krävs någon för att öppna lådor, räkna antal, se skador och lukta sig till om något har blivit skämt. En pall med åttio lådor där tre har trasig förpackning uppmärksammas inte av en kamera om den inte specifikt är inställd och tränad för det, och även då förblir bedömningen av vad som är en acceptabel skada ofta ett människoarbete.
Felkostnader får en låg poäng av en annan anledning: en felaktigt inbokad mottagning leder till ett lager som inte stämmer, vilket veckor senare kan slå igenom i ett felaktigt leveranslöfte till en kund eller ett produktionsstopp. Dessa kostnader är inte alltid direkt synliga, vilket gör risken större snarare än mindre. Därför förblir bedömningsutrymmet här en 3: ett system kan signalera en avvikelse, men om den avvikelsen är acceptabel, vad som ska göras med leverantören, och om godset trots allt tas emot, förblir ett beslut med en motivering.
Ett distributionscenter tar emot en leverans elektronik. Följesedeln anger 200 enheter, beställningen också 200. Ett system kan jämföra de två dokumenten och boka in mottagningen automatiskt så snart antalen stämmer. Men lådan som öppnas och där en trasig skärm blir synlig kräver en fysisk kontroll och ett beslut: ta emot, returnera, eller ställa åt sidan för bedömning. Det beslutet faller under tillsyn som godkänner eller avslår med motivering, inte under fullständig övertagande.
Hos ett företag som tar emot lösa delar i små mängder, med hög risk för skada eller förskämning, förblir den fysiska andelen större och det finns lite att vinna på att bara automatisera inbokningen. Hos ett företag som tar emot stora, likformiga partier från fasta leverantörer, med stabila förpackningar och få avvikelser, ligger det annorlunda till: där är inbokningen ofta redan till stor del systemarbete, och den återstående uppgiften förskjuts till stickprovskontroll istället för fullständig inspektion. Skillnaden ligger inte i branschen, utan i hur förutsägbar leveransen är och hur höga kostnaderna för ett fel blir.
Vad som redan fungerar idag är bildigenkänning: ett foto eller en skanning av följesedeln, kopplad till systemet, som automatiskt skapar en mottagningsrad. Vad som krävs för det är skanningsutrustning på golvet och en koppling mellan det skanningsögonblicket och ERP eller WMS. Utan den kopplingen förblir inmatningen ett manuellt steg, även om kontrollen i sig har blivit smartare. Den fysiska kontrollen av skada och riktighet ligger i de flesta fall fortfarande hos en människa, precis som kvalitetskontroll av produkter till stor del förblir människoarbete så länge bedömningen kräver sensorisk perception.
Den förskjutning som pågår här ligger inte i att ersätta lagerarbetaren, utan i att förskjuta dennes tid: mindre tid åt att knappa in antal, mer tid åt att bedöma avvikelser. Det mönstret är bredare än bara godsmottagning. Även vid tillträdeshantering av område och byggnad ser man att registreringen allt oftare sker automatiskt, medan bedömningen av undantag förblir hos en människa. Om denna förskjutning påverkar personalbemanningen på golvet gäller egna lagstadgade krav för det; det är ingen slutsats som följer av en uppgiftsanalys.
Om mottagningsprocessen i ert eget företag till största delen är systemarbete eller till största delen fysisk kontroll beror på typen av gods, leverantörerna och felkänsligheten i ert lager. Den kostnadsfria snabbskattningen med tolv frågor, utan konto, ger en indikation på vilken andel av timmarna i den här typen av arbetsprofiler som idag kan tas över av AI. Den fullständiga arbetsskattningen, som kartlägger arbetet för ett helt företag uppgift för uppgift, är fortfarande under uppbyggnad.
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.