AI-doorbraak in productiviteit?

De arbeidsproductiviteit in Europa blijft achter, vooral in Nederland, en nog meer in de logistieke en supply chain-sector. Recente aanzienlijke loonsverhogingen zullen waarschijnlijk leiden tot meer investeringen in productiviteitsverhoging. Maar de vraag blijft: kan artificial intelligence (AI) de beloften van productiviteitsverbetering waarmaken?

Machine learning (ML), operations research en statistiek worden al meer dan twintig jaar gebruikt in geavanceerde oplossingen voor planning, forecasting, voorraadbeheer en transportoptimalisatie. Het opschalen van deze technologieën wordt echter beperkt door een gebrek aan capaciteit; er zijn simpelweg niet genoeg gekwalificeerde mensen om deze technologieën te bouwen en in te zetten. Daarom worden voornamelijk kant-en-klare oplossingen gebruikt. Het probleem ligt in het onderhoud en de aanpassing van deze systemen, wat veel inspanning vergt binnen organisaties en waar consultants veel van hun tijd aan besteden.

Volop kansen

Er zijn volop kansen. Door de lange implementatieduur is het echter zeer uitdagend om het volledige potentieel te bereiken. Dit komt vooral doordat nieuwe technologieën zich tegelijkertijd ontwikkelen. Deze uitdaging is niet fundamenteel veranderd met de komst van nieuwe technologieën. Geavanceerdere AI-modellen, gebaseerd op reinforcement learning (RL) of andere optimale leertechnieken, zijn technisch gezien beter. Toch blijft de uitdaging bestaan.

Wat betreft Generatieve AI (GenAI), zijn er al veel toepassingen voor routinematige procesondersteuning. GenAI kan mensen vervangen die meestal niet over schaarse vaardigheden beschikken, maar is nog niet geschikt voor daadwerkelijke optimalisatie van complexe beslissingen. De vraag blijft of het de productiviteit en het succes van ‘echte’ AI (zoals ML en RL) kan verbeteren.

Recent werk toont aan dat AI kan worden gebruikt om optimalisatiemodellen te creëren. Dit zou kunnen werken voor het aanpassen van beslissingsondersteunende software. Use cases richten zich ook op het toegankelijker maken van technische systemen voor niet-technische mensen, zoals interacties met geavanceerde modellen en het interpreteren van resultaten en het maken van grafieken van complexe modellen.

Voordelen voor early adopters

Er zijn duidelijke kansen en voordelen voor early adopters, maar niet voldoende specialisten om dit op grote schaal te kunnen inzetten. Productiviteitsverbetering van werknemers met echt schaarse vaardigheden is waarschijnlijk de enige structurele oplossing. De toekomst van AI in de logistiek en de supply chain is veelbelovend, maar de weg naar het realiseren van dit potentieel is bezaaid met uitdagingen. Het zal nog heel veel technologische doorbraken vergen voordat er echt opgeschaald kan worden.

Jan Fransoo, hoogleraar Operations en Logistiek Management aan de Tilburg School of Economics and Management