Binnen een supply chain staat vrijwel geen enkele beslissing op zichzelf. Een wijziging in de planning kan gevolgen hebben voor inkoop, productiecapaciteit, voorraad, magazijnactiviteiten en transport. Naarmate AI-agents in elk van die domeinen autonomer opereren, wordt de onderlinge afstemming belangrijker.

Wanneer een leverancier uitvalt, kan een AI-systeem bijvoorbeeld bepalen welke orders daardoor worden geraakt, de impact op de productie berekenen en alternatieve leveranciers identificeren.

De volgende stap is dat agents binnen vooraf bepaalde grenzen ook zelf vervolgacties uitvoeren. Ze kunnen bijvoorbeeld een alternatief voorstellen, een productieplanning aanpassen of een transportopdracht voorbereiden.

Daardoor verandert ook de rol van medewerkers. Zij hoeven niet langer iedere afzonderlijke handeling aan te sturen maar bepalen steeds vaker de doelstellingen, bevoegdheden en uitzonderingen waarbinnen AI-systemen mogen opereren.

Optimalisatie van één proces kan elders problemen veroorzaken

Die grotere autonomie brengt tegelijk risico's mee. Een beslissing die binnen één proces logisch lijkt, kan voor de volledige keten nadelig zijn.

Een inkoopagent kan bijvoorbeeld een goedkopere of sneller leverende leverancier selecteren die niet over de vereiste certificering beschikt. Ook aanpassingen aan voorraad- of productieplanning kunnen verderop onverwachte gevolgen veroorzaken.

Dat risico doet denken aan het bullwhip-effect, waarbij relatief kleine wijzigingen aan het begin van een supply chain verderop tot steeds grotere schommelingen leiden. Wanneer verschillende AI-agents automatisch op elkaars beslissingen reageren, kunnen dergelijke effecten zich bovendien sneller verspreiden.

Agents moeten over processen heen samenwerken

Volgens SAP volstaat het daarom niet om afzonderlijke AI-agents te ontwikkelen voor planning, inkoop, productie en logistiek. De verschillende systemen moeten ook gezamenlijk kunnen worden aangestuurd.

Een wijziging in de planning moet bijvoorbeeld meteen worden beoordeeld op de gevolgen voor voorraad, productiecapaciteit, magazijnen en transport.

Dat vraagt om een end-to-end benadering waarbij data en processen niet langer als los staande onderdelen worden behandeld.

Die samenwerking stopt bovendien niet noodzakelijk aan de grenzen van één bedrijf. Supply chains bestaan uit leveranciers, producenten, logistieke partners en klanten. Daardoor zullen AI-agents uiteindelijk ook binnen bredere bedrijfsnetwerken met elkaar moeten kunnen samenwerken.

Governance wordt cruciaal

Hoe autonomer AI-agents worden, hoe belangrijker duidelijke regels rond hun bevoegdheden.

Bedrijven moeten bepalen welke acties een agent zelfstandig mag uitvoeren, wanneer menselijke goedkeuring vereist blijft en tot welke gegevens en bedrijfssystemen een agent toegang krijgt.

Ook traceerbaarheid wordt essentieel. Organisaties moeten achteraf kunnen reconstrueren waarom een beslissing werd genomen, welke gegevens daarvoor werden gebruikt en welke acties daaruit zijn voortgevloeid.

Daarnaast moeten agents beschikken over voldoende bedrijfscontext. Een leverancier kan beschikbaar zijn maar contractueel uitgesloten. Producten kunnen op voorraad zijn maar al voor een bepaalde klant gereserveerd. Voor onderdelen kunnen specifieke certificeringen of goedkeuringsprocedures gelden.

Dergelijke informatie moet onderdeel worden van de besluitvorming van AI-agents.

Bedrijfsdata vormen de basis

Daardoor verschuift de discussie over enterprise AI steeds meer naar de kwaliteit, beschikbaarheid en samenhang van bedrijfsdata.

Algemene generatieve AI kan op basis van beschikbare informatie aanbevelingen formuleren. Voor operationele bedrijfsbeslissingen is echter ook kennis nodig van interne processen, contracten, bevoegdheden en bedrijfsregels.

SAP probeert die context onder meer beschikbaar te maken via zijn Knowledge Graph, die relaties tussen data en bedrijfsprocessen binnen SAP-applicaties toegankelijk maakt voor AI-toepassingen.

De verdere ontwikkeling van autonome supply chains betekent daarmee niet dat de mens uit het proces verdwijnt. De rol verschuift eerder van het uitvoeren en goedkeuren van individuele handelingen naar het bepalen van doelstellingen, grenzen en uitzonderingen waarbinnen AI-agents zelfstandig mogen opereren.