En lagerchef eller planerare håller koll på hur mycket det finns av varje artikel på hyllan, och slår larm så snart något sjunker under normen. Det är nu ofta en kombination av att kontrollera en dashboard, gå igenom en rapport och baserat på erfarenhet avgöra vad som är akut. Frågan är om ett AI-system kan sköta den övervakningen och signaleringen själv, utan att någon kontinuerligt håller koll.
Svaret är: till stor del ja, förutsatt att data och normen är korrekt inställda. Detta är en av de uppgifter som redan idag drivs av agentliknande system, inte som en framtidsvision utan som något som redan är operativt hos en del av företagen.
Tre kännetecken bestämmer bilden här.
Strukturering är hög. En lagernivå är ett tal, normen är ett tal, och jämförelsen mellan dem är en beräkningsregel, ingen tolkning. Det finns ingen fritext att läsa, ingen kontext att väga. Det är precis den typ av uppgift som programvara redan i decennier har varit bra på, och som AI gör ännu mer tillförlitlig och snabbare genom att också ta hänsyn till mönster i förbrukning och leveranstid.
Volym är hög. Ett medelstort lager har hundratals till tusentals artiklar, var och en med en egen lagerpost som ständigt förändras. En person som håller reda på det manuellt tittar av nödvändighet på stickprov eller fasta rundor. Ett system tittar på allt, kontinuerligt, utan att uppmärksamheten avtar vid artikel 400.
Felkostnader väger också in, och inte till fördel för manuellt arbete. En missad underskridning innebär en restnotering, en missad leverans, eventuellt ett produktionsstopp längre fram i kedjan. Det är precis den typ av upprepningsbar, väldefinierad kontroll där konsekvens är värd mer än improvisation. Ett system som aldrig hoppar över en artikel minskar den risken strukturellt.
De övriga axlarna bekräftar bilden utan att komplicera den. Det finns ingen kundkontakt, ingen fysisk handling och ingen kreativitet som behövs för att jämföra ett tal med en tröskel. Regelefterlevnad spelar en roll så snart lagernormer hänger samman med lagstadgade lagerkrav eller avtalsenliga leveransöverenskommelser, men även det kan fastställas i regler. Bedömningsutrymme får ett måttligt betyg: inte för att övervakningen i sig är förhandlingsbar, utan för att normen själv — hur mycket säkerhetslager som är motiverat för vilken artikel — förblir ett val som någon gör och regelbundet omprövar.
Ett grossistföretag med några tusen aktiva artiklar låter ett system varje timme ställa lagernivåerna från wms mot normen per artikel. Så snart en artikel hamnar under tröskeln genererar systemet automatiskt en avisering och, där reglerna tillåter det, ett utkast till inköpsorder. En planerare bedömer undantagen: artiklar med en snart utgången hållbarhet, en säsongstopp, eller en leverantör som just har bytts ut. Den beräkningsmässiga kontrollen sker utan mänsklig inblandning; bedömningen av avvikande fall förblir mänskligt arbete med tillsyn som godkänner eller avvisar.
Denna bild förskjuts så snart förutsättningarna saknas. Två saker är oumbärliga: aktuell lagerdata och definierade tröskelvärden.
Utan aktuell data — till exempel hos ett företag som fortfarande håller reda på lager med periodiska räkningsrundor och Excel istället för ett wms eller erp som uppdaterar i realtid — har ett system inget att reagera på. Problemet är då inte att AI inte klarar uppgiften, utan att källan saknas.
Utan definierade normer blir uppgiften åter ett omdöme: någon måste per artikel avgöra vad som är ett ansvarsfullt minimum, baserat på ledtid, efterfrågevariation och risken för att bli slutsåld. Hos ett företag med kraftigt växlande efterfrågan, korta produktlivscykler eller många nya artiklar utan försäljningshistorik är den normen mindre fast förankrad, och tyngdpunkten förskjuts från övervakning till att ständigt ompröva själva tröskeln. Den omprövningen förblir då en uppgift med mer bedömningsutrymme, även om signaleringen därefter återigen sker automatiskt.
Lagerövervakning står inte för sig själv. En underskridning leder till en inköpsorder, som i sin tur ansluter till hur leverantörsfakturor bearbetas och hur en leverans senare registreras via registrering av en mottagningsrapport i systemet. På andra sidan av processen bestämmer lagernivån också när en plocklista kan genereras och tilldelas. Den som bedömer lagerövervakning utifrån automatiserbarhet gör klokt i att också titta på dessa angränsande uppgifter, för den fte-kapacitet som frigörs finns ofta inte i en enda uppgift utan i hela kedjan av dem.
Detta är inget uttalande om huruvida någon behåller sin tjänst. Om frigjorda timmar leder till andra uppgifter, mindre inhyrning, eller något annat, är ett val som ligger hos arbetsgivaren och för vilket egna lagstadgade krav gäller. Denna sida beskriver endast vad som händer med själva arbetet.
Om lagerövervakning hos ert företag verkligen till stor del är överförbar beror på vad ert wms eller erp redan levererar av aktuell data och om tröskelvärdena redan är fastställda någonstans. Den kostnadsfria snabbanalysen från FTE TO AI består av tolv frågor, utan konto, och ger en indikation på hur stor del av timmarna inom denna profil som idag kan tas över av AI. Den fullständiga arbetsanalysen, som bryter ner arbetet i ett helt företag i uppgifter och räknar om varje uppgift till fte-kapacitet, 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.