Inköp består av en lång kedja av uppgifter: från att upptäcka att något behövs, till förhandling, beställning, mottagning och fakturering. En del av dessa uppgifter är till stor del administrativa och följer ett fast mönster. Andra kräver bedömning, relationskänsla eller en avvägning som inte kan fångas i regler. Vår taxonomi räknar 62 uppgifter inom detta område, fördelade över tre kategorier. Den här artikeln visar mönstret: vilken typ av arbete som hör hemma var, och varför.
Uppgifter som AI i praktiken kan utföra självständigt har vanligtvis två kännetecken: indata är strukturerad och det finns ett tydligt, kontrollerbart korrekt svar. Tänk på kontroll av orderbekräftelse. Pris, antal och leveranstid på bekräftelsen jämförs med det som beställts, och en avvikelse går objektivt att fastställa. Det behövs inget utrymme för tolkning.
Detsamma gäller för att lägga en beställning hos leverantören så snart en inköpsförfrågan är godkänd. Att omvandla en godkänd förfrågan till en officiell order är en fråga om att korrekt föra över uppgifter till rätt system och format, inte om bedömning.
Även behandling av inköpsfakturor hör till stor del hemma här: matchningen av faktura, beställning och mottagningsbevis är en trevägsjämförelse med fasta kriterier. Så länge dokumenten är digitala och läsbara är detta en uppgift där ett system matchar snabbare och mer konsekvent än en människa gör manuellt. Det dessa uppgifter har gemensamt är att sanningskällan redan finns fastlagd i andra system: ordern, förfrågan, kontraktet. AI jämför och behandlar, den hittar inte på något.
Den största gruppen uppgifter på inköpsavdelningen kombinerar ett AI-förslag med en mänsklig bedömning som godkänner eller avslår, med motivering. Det är en annan arbetsfördelning än fullständig övertagning: systemet gör det första utkastet, människan bär ansvaret för beslutet.
Att begära in och jämföra offerter är ett bra exempel här. Ett system kan utan svårighet ställa offerter mot varandra utifrån pris, villkor och leveranstid, och den översikten är värdefull. Men vilken leverantör som passar bäst för situationen beror också på saker som inte alltid framgår av offerten: tidigare erfarenheter, strategisk betydelse, riskbenägenhet. Den avvägningen kräver en människa som kan godkänna eller avslå utfallet.
Undersökning av prisavvikelser faller likaså inom denna kategori. Ett system kan signalera att ett fakturapris avviker från det överenskomna priset och till och med föreslå en trolig orsak. Men att faktiskt lösa det med leverantören, och frågan om avvikelsen är acceptabel, förblir en bedömning som någon med kunskap om relationen och kontraktet måste göra.
Även bedömning av leverantörsprestationer hör hemma här. Data om leveranstid, kvalitet och klagomål går bra att samla in och sammanfatta, men bedömningen av vad det betyder för relationens fortsättning är ett beslut med konsekvenser som en människa måste kunna motivera. Denna kategori är i praktiken den största, eftersom inköp i högsta grad är ett område där siffror ger en indikation, men inte hela bilden.
En tredje grupp uppgifter lämpar sig inte för övertagning, inte ens med tillsyn, eftersom kärnan i arbetet handlar om att övertyga, bygga förtroende eller fatta ett beslut med långsiktiga konsekvenser som inte enbart följer av data.
Förhandling om inköpspriser är det tydligaste exemplet. Förhandling är en dynamisk, social process där ton, timing och ömsesidigt förtroende är minst lika viktiga som siffrorna. Ett AI-system kan bidra med underlag, men att föra själva samtalet är något annat.
Val av leverantör för ett viktigt eller långsiktigt kontrakt förblir likaså mänskligt arbete, särskilt när valet går utöver pris och leveranstid. Strategiskt beroende, anseenderisk och kvaliteten på samarbetet på lång sikt är faktorer som är svåra att kvantifiera.
Dessutom förblir onboarding av leverantörer en uppgift där mänsklig kontroll behövs av compliance- och betalningsuppgifter, just eftersom fel här medför finansiell risk. Detta ansluter till ett bredare tema: när AI-användning berör beslut om vem som utför arbete eller hur en organisation är uppbyggd, gäller egna lagkrav för det, vilket också går att läsa om i AI-förordningen och era medarbetare.
Det som skiljer de tre kategorierna åt är inte uppgiftens komplexitet i sig, utan arten av det beslut som ligger inbäddat i den. Att jämföra, matcha och överta redan registrerade uppgifter lämpar sig för fullständig automatisering. Att bedöma utifrån flera, delvis mjuka kriterier kräver tillsyn. Att övertyga, förhandla och fatta strategiska val förblir mänskligt arbete. Detta mönster är inte unikt för inköp: vid vilket arbete kan AI ta över inom logistik och vid HR-uppgifter, såsom beskrivs i vilket arbete kan AI ta över på HR-avdelningen, återkommer samma tredelning: strukturerat arbete till kategori 1, bedömningsarbete till kategori 2, relations- och beslutsarbete till kategori 3.
Hur många timmar detta konkret frigör beror starkt på inköpsavdelningens storlek, de system som redan är kopplade samman och antalet leverantörer och kontrakt. Det går inte att ange någon generell procentsats för det utan att känna till den egna situationen.
Indelningen i den här artikeln visar mönstret, inte den exakta situationen på er egen inköpsavdelning. För en första indikation finns ftetoais kostnadsfria snabbtest: tolv frågor, utan konto, med en indikation på hur stor andel av timmarna i er profil som idag kan tas över av AI. Den fullständiga arbetsanalysen, som går djupare in på specifika uppgifter och processer, är fortfarande under uppbyggnad; den kan vi inte erbjuda här ännu, men vi kommer att tillkännage den så snart den är tillgänglig.
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.