Optimering af supply chain med AI

Optimering af supply chain med AI betyder, at data, modeller og automatiserede analyser bruges til at forbedre prognoser, lager, indkøb, transport og risikostyring. Gevinsten afhænger især af datakvalitet, klare beslutningsregler og løbende kontrol, ikke af selve AI-værktøjet alene.

Hvad betyder optimering af supply chain med AI?

Supply chain dækker den samlede kæde fra leverandører og produktion til lager, transport, butikker, webshops og kunder. Når AI bruges til optimering, analyserer systemet mønstre i data og foreslår eller automatiserer beslutninger, der ellers ville kræve mange manuelle vurderinger.

Det kan handle om at forudsige efterspørgsel, beregne genbestilling, finde forsinkelser, prioritere leverancer, opdage afvigelser eller simulere, hvad der sker, hvis en vare, leverandør eller rute ændrer sig. AI kan også bruges til at forklare planlægningsscenarier i et mere forståeligt sprog, så indkøb, lager, økonomi og salg arbejder ud fra samme billede.

En god supply chain-løsning med AI erstatter ikke grundlæggende processtyring. Den gør afhængigheder tydeligere, så mennesker kan reagere hurtigere og mere ensartet på signaler, der allerede findes i virksomheden eller hos eksterne partnere.

Hvor i forsyningskæden giver AI mest værdi?

AI giver mest værdi, hvor beslutninger gentages ofte, hvor datamængden er stor, og hvor små ændringer kan flytte omkostninger, serviceniveau eller risiko. Det gælder især planlægning, disponering, lager, transport og leverandøropfølgning.

I praksis kan de vigtigste anvendelser samles i fem områder:

• Efterspørgselsprognoser, hvor historiske salgstal kombineres med sæson, kampagner, vejrsignaler, helligdage eller markedsdata.
• Lageroptimering, hvor systemet foreslår minimumslager, genbestillingspunkter og sikkerhedslager pr. vare, kanal og lokation.
• Transport- og ruteplanlægning, hvor kapacitet, leveringstid, brændstof, fragtpriser og forsinkelser indgår i samme beslutning.
• Leverandør- og risikosignaler, hvor AI opdager mønstre i forsinkede leverancer, kvalitetsafvigelser, prisudsving eller dokumentmangler.
• Undtagelseshåndtering, hvor planlæggere får prioriteret de afvigelser, der kræver handling først.

Hvis en virksomhed allerede arbejder med forsyningskædeanalyse, er AI typisk en udvidelse af de eksisterende analyser. Forskellen er, at modellerne kan lære af nye mønstre og foreslå handlinger hurtigere end faste rapporter.

Hvilke data skal være på plads først?

AI i supply chain er kun så brugbar som de data, den bygger på. Masterdata om varer, leverandører, lagerlokationer, enheder, leveringstider og substitutionsvarer skal være tilstrækkeligt konsistente, før avancerede modeller giver mening.

Transaktionsdata er næste lag. Det omfatter salg, indkøb, returvarer, lagerbevægelser, produktionsordrer, transporthændelser, servicegrader og annullerede ordrer. Hvis systemerne ikke skelner mellem udsolgt, lav efterspørgsel og manglende registrering, kan modellen lære det forkerte mønster.

Derudover bliver hændelsesdata vigtigere i komplekse kæder. GS1-standarden EPCIS beskriver, hvordan virksomheder kan skabe og dele visibility event data på tværs af systemer og parter. Det er relevant, fordi AI ikke kun har brug for slutresultatet, men også for tidslinjen: hvad der skete, hvornår det skete, hvor det skete, og hvorfor det skete.

Et realistisk første kontrolpunkt er derfor ikke valg af model, men datakortlægning. Du skal vide, hvilke beslutninger data skal understøtte, hvem der ejer data, hvilke felter der er upålidelige, og hvor ofte data opdateres.

Hvordan forbedrer AI prognoser og planlægning?

Klassisk prognosearbejde bygger ofte på historiske salgstal og faste planlægningsregler. AI kan udvide det billede ved at finde sammenhænge mellem flere datakilder og ved at opdatere prognoser, når nye signaler kommer ind.

For en detailkæde kan en model for eksempel kombinere varesalg, kampagneplaner, lokale helligdage, vejrtype, leveringstid og returdata. For en producent kan modellen koble ordreindgang, kapacitetsudnyttelse, råvaretilgængelighed og leverandørhistorik. Målet er ikke at ramme fremtiden perfekt, men at reducere de fejl, der gentages systematisk.

AI kan også arbejde med scenarier. I stedet for én samlet prognose kan planlæggeren se, hvordan lager og leveringsevne påvirkes ved højere efterspørgsel, længere lead time eller lavere leverandørkapacitet. Det gør planlægningen mere robust, fordi beslutningen ikke hviler på ét tal.

Prognoser skal stadig måles løbende. En model, der fungerer godt i stabile perioder, kan blive mindre præcis ved produktændringer, nye kanaler, uventede kampagner eller brud i leverandørnetværket. Derfor bør prognosefejl, bias, datadrift og menneskelige overrides følges som faste driftsmål.

Hvordan kan AI støtte lagerstyring og varebeholdning?

Lagerstyring er et af de mest oplagte områder, fordi beslutningerne er konkrete: hvor meget skal købes, hvor skal varen ligge, hvornår skal der genbestilles, og hvor højt skal sikkerhedslageret være?

En AI-model kan sammenholde efterspørgsel, leveringstid, plukfrekvens, margin, holdbarhed, minimumsordrer, transportomkostninger og risiko for udsolgt. Det giver et mere nuanceret billede end en fast regel, hvor alle varer i samme kategori behandles ens.

Det betyder ikke, at AI automatisk bør styre alle indkøb. Varer med lavt salg, korte sæsoner, regulatoriske krav eller strategisk betydning kan kræve særskilte regler. I nogle tilfælde er en simpel genbestillingsregel bedre end en kompleks model, hvis data er tynde, og konsekvensen ved fejl er lille.

Den praktiske værdi ligger ofte i samspillet mellem AI-drevet lagerstyring og tydelige varepolitikker. En model kan foreslå ændringer, men virksomheden bør fastlægge grænser for servicegrad, kapitalbinding, kassation og manuelle godkendelser.

Hvordan opdager AI risici i leverandørnetværket?

Leverandørrisiko opstår ikke kun, når en leverandør går ned. Den kan vise sig som gradvist længere leveringstider, flere delleverancer, ændret kvalitet, pludselige prisudsving, manglende dokumentation eller afhængighed af få transportkorridorer.

AI kan opdage sådanne mønstre tidligere, fordi systemet kan samle signaler på tværs af indkøb, kvalitet, lager, transport og økonomi. En enkelt forsinkelse er sjældent nok til at ændre planlægningen, men et gentaget mønster kan pege på en risiko, før den rammer kunden.

Risikovurderingen bør adskille sandsynlighed, konsekvens og handlemulighed. En vare med lav forsinkelsesrisiko kan stadig være kritisk, hvis den stopper produktion. En leverandør med høj afvigelsesrate kan være mindre kritisk, hvis der findes flere kvalificerede alternativer.

NIST beskriver cybersecurity supply chain risk management som arbejde med at identificere, vurdere og mitigere risici i distribuerede ICT- og OT-forsyningskæder gennem hele livscyklussen. Det perspektiv er relevant, når AI-løsninger selv bliver en del af forsyningskæden gennem software, data, cloudmiljøer og tredjepartsmodeller.

Hvad kan generativ AI tilføje til supply chain-arbejdet?

Generativ AI kan gøre komplekse analyser mere tilgængelige, men den bør ikke forveksles med den optimeringsmodel, der beregner lager, ruter eller kapacitet. Dens styrke ligger især i sprog, opsummering, forklaring og interaktion med planlægningsdata.

En sprogmodel kan hjælpe med at omformulere afvigelsesrapporter, forklare hvorfor en anbefaling er givet, udarbejde udkast til leverandørspørgsmål eller gøre scenarier lettere at drøfte på tværs af afdelinger. Den kan også hjælpe medarbejdere med at stille spørgsmål til data uden at kende alle felter i et analyseværktøj.

Der er dog en tydelig grænse. Generativ AI bør ikke alene beslutte ordrer, leverandørskift, hastefragt eller kundeløfter, medmindre datakilder, adgangsrettigheder, godkendelser og kontrolspor er designet til det. Den sproglige forklaring kan lyde overbevisende, selv når beregningen bagved er usikker.

Den bedste anvendelse er derfor ofte kombineret: specialiserede modeller laver beregningerne, mens generativ AI gør resultaterne mere forståelige. Det gælder især i organisationer, hvor indkøb, lager, salg og økonomi skal handle på samme beslutningsgrundlag.

Hvilke beslutninger bør stadig være menneskelige?

AI kan prioritere, beregne og foreslå, men flere supply chain-beslutninger bør stadig have menneskelig godkendelse. Det gælder beslutninger med høj økonomisk risiko, kundemæssige konsekvenser, leverandørkonflikter, compliancekrav eller svage data.

En nyttig opdeling er at skelne mellem automatisering, anbefaling og advarsel:

En klar beslutningsmodel reducerer risikoen for blind automatisering. Den gør det også lettere at forklare, hvorfor AI nogle gange skal have lov til at handle hurtigt, mens andre beslutninger skal sendes til en ansvarlig medarbejder.

Hvordan vurderer du kvaliteten af en AI-model i drift?

En AI-model skal vurderes i den driftssituation, hvor den faktisk bruges. En høj testscore er ikke nok, hvis modellen skaber dårlige beslutninger ved kampagner, nye produkter, ændrede leverandører eller særlige kundeaftaler.

Kontrollen bør dække både tekniske mål og forretningsmål. Tekniske mål kan være prognosefejl, datadrift, svartid, forklarbarhed og fejlrate. Forretningsmål kan være servicegrad, kapitalbinding, kassation, forsinkede leverancer, transportomkostninger og antal manuelle overrides.

NIST’s AI Risk Management Framework arbejder med funktionerne govern, map, measure og manage. Overført til supply chain betyder det, at du først fastlægger ansvar og kontekst, derefter kortlægger risici, måler systemets adfærd og til sidst styrer ændringer i drift.

Der bør også være en baseline. Hvis AI sammenlignes med en tidligere manuel proces, skal sammenligningen være fair: samme periode, samme datagrundlag, samme varegrupper og samme beslutningsregler. Ellers kan en model få æren for forbedringer, der skyldes ændret proces, eller skylden for problemer, der skyldes dårlige data.

Hvilke sikkerheds- og compliancekrav bør indgå?

Supply chain-data kan indeholde leverandøraftaler, priser, kundedata, lokationsdata, produktionsinformation, forecasts og kommercielt følsomme planer. Derfor bør sikkerhed og adgangsstyring indgå fra starten, ikke tilføjes efter pilotprojektet.

For organisationer i EU er det også relevant at vurdere, om en konkret AI-anvendelse berører persondata, medarbejderdata, automatiserede beslutninger eller regulerede områder. EU’s AI-forordning er en risikobaseret regulering, så forpligtelserne afhænger af systemets konkrete rolle, anvendelse og påvirkning.

Almindelig lager- og transportoptimering er ikke automatisk det samme som et højrisiko-AI-system. Hvis AI derimod bruges til beslutninger, der påvirker personer, sikkerhed, adgang til ydelser eller andre regulerede forhold, skal vurderingen være mere formel og dokumenteret.

Teknisk bør løsningen have adgangslogning, versionsstyring, dataminimering, kontrol med tredjepartsadgang, backup af beslutningsgrundlag og klare regler for, hvem der må ændre model, mål og tærskler. Det ligger tæt på arbejdet med AI-sikkerhedsprotokoller og standarder, fordi supply chain-systemer ofte er koblet til ERP, WMS, TMS og eksterne leverandørportaler.

Hvordan kan en organisation starte uden at overautomatisere?

Det mest stabile udgangspunkt er et smalt use case med tydelig beslutning, tilgængelige data og målbar effekt. Det kan være genbestilling for en bestemt varegruppe, advarsler om forsinkede leverancer, bedre kampagneprognoser eller prioritering af varer med risiko for udsolgt.

Starten bør normalt have fem trin:

1. Definér beslutningen, ikke teknologien: Hvilken konkret handling skal blive bedre?
2. Kortlæg data: Hvilke felter findes, hvor ofte opdateres de, og hvem retter fejl?
3. Fastlæg grænser: Hvornår må AI anbefale, hvornår må den handle, og hvornår skal et menneske godkende?
4. Mål mod baseline: Sammenlign med den nuværende proces, ikke med en teoretisk idealmodel.
5. Udvid kun, når drift og kontrol fungerer: Flere varegrupper, lokationer eller leverandører øger kompleksiteten.

Denne rækkefølge gør projektet mindre afhængigt af store løfter. Den tvinger også organisationen til at afklare, om problemet faktisk kræver AI, eller om bedre stamdata, klarere indkøbsregler eller almindelig data mining er et bedre første skridt.

Hvordan hænger AI sammen med eksisterende systemer?

AI i supply chain skaber sjældent værdi som et isoleret værktøj. Den skal typisk kobles til ERP-systemer, lagerstyring, transportstyring, e-handelsplatforme, BI-værktøjer og leverandørdata. Uden integration bliver modellen en ekstra rapport, som medarbejderne skal oversætte manuelt.

Integration handler både om data ind og handling ud. Data ind kan være lagerstatus, ordrer, indkøb, leverandørbekræftelser og transporthændelser. Handling ud kan være anbefalede indkøb, ændrede forecasttal, risikoalarmer, opdaterede prioriteringer eller forslag til flytning mellem lagre.

En moden løsning har også feedback. Når en planlægger afviser eller ændrer en anbefaling, bør årsagen registreres, så organisationen kan se, om modellen tager fejl, om reglerne er for stramme, eller om medarbejderen sidder med viden, som systemet mangler.

Det er her, optimering af varebeholdning bliver en organisatorisk disciplin. Modellen skal ikke kun beregne et tal; den skal passe ind i de processer, der bestemmer indkøb, kampagner, kundeløfter og økonomisk risiko.

Hvad er de typiske begrænsninger ved AI i supply chain?

Den største begrænsning er, at AI ofte lærer af historien, mens supply chain-problemer tit opstår, når historien ikke længere ligner fremtiden. Nye leverandører, ændrede fragtmønstre, prisstød, produktskift, konflikter, naturhændelser og pludselige efterspørgselsændringer kan svække en model hurtigt.

En anden begrænsning er målkonflikter. Lavt lager reducerer kapitalbinding, men kan øge risikoen for udsolgt. Hurtig levering kan øge transportomkostninger. Færre leverandører kan give bedre priser, men lavere robusthed. AI kan beregne konsekvenserne, men den kan ikke alene afgøre, hvilken balance virksomheden ønsker.

Derudover kan forklarbarhed være svær. Hvis modellen foreslår højere lager på en dyr vare, skal planlæggeren kunne se de vigtigste årsager: længere lead time, højere forecast, flere afvigelser, leverandørhistorik eller ændret serviceniveau. Uden forklaring falder tilliden, og anbefalinger bliver enten overset eller fulgt for ukritisk.

AI bør derfor ses som beslutningsstøtte med kontrolleret automatisering. Den bedste løsning er sjældent den mest avancerede model, men den model, som kan måles, forklares, styres og forbedres i den konkrete forsyningskæde.

Hvilke kilder ligger til grund?

Artiklen bygger især på NIST’s arbejde med AI-risikostyring, herunder NIST AI Risk Management Framework, som beskriver govern, map, measure og manage som centrale funktioner for ansvarlig AI-styring.

Data- og sporbarhedsdelen bygger på GS1 EPCIS 2.0, der beskriver deling af hændelsesdata i forsyningskæder. Sikkerhedsafsnittet bygger desuden på NIST’s side om cybersecurity supply chain risk management.

Den europæiske governance-vinkel bygger på Regulation (EU) 2024/1689 og den generelle organisationsstyring på ISO/IEC 42001:2023.