5 primera kako kompanije koriste AI za smanjenje troškova i zaliha

Veštačka inteligencija (AI) postala je jedan od najčešće korišćenih — i često pogrešno korišćenih — pojmova u poslovnim prezentacijama. U upravnim odborima pitanje više nije da li će AI promeniti poslovanje, već nešto mnogo konkretnije: može li poboljšati profitne marže, smanjiti kapital vezan u zalihama ili ubrzati procese?

Tu postaje jasna razlika između tehnološkog trenda i stvarne poslovne vrednosti. Danas menadžmentu više nisu potrebna upozorenja da će „propustiti voz“. Potrebni su konkretni primeri i merljivi rezultati: koliko se proces može skratiti, koliko se zalihe mogu smanjiti ili koliki dodatni prihod može biti ostvaren kroz bolju dostupnost proizvoda.

Iskustva iz projekata u Adriatic regionu pokazuju jasan obrazac. Najveći efekti ne nastaju tamo gde kompanije polaze od tehnologije, već tamo gde počinju od jasnog poslovnog pitanja: koju odluku ili proces žele da unaprede?

Takva pitanja najčešće se javljaju u operativnim procesima, gde kompanije svakodnevno donose veliki broj sličnih odluka — o naručivanju, zalihama, proizvodnji ili komunikaciji sa kupcima. Upravo su to oblasti u kojima analitika podataka i prediktivni modeli mogu najbrže doneti merljive rezultate.

Primeri iz prakse pokazuju da najveći finansijski efekat često dolazi iz odluka vezanih za naručivanje i upravljanje zalihama, gde je potrebno uskladiti prodaju, logistiku i uslove dobavljača. Pogledajmo nekoliko primera iz različitih industrija.

Maloprodaja i distribucija: od tri osobe i tri dana do tri sata

U maloprodaji, farmaciji, distribuciji medicinske opreme, modi i industriji za kućne ljubimce, naručivanje se i dalje često zasniva na kombinaciji iskustva, Excel tabela i intuicije. Ovakav pristup funkcioniše kada je broj lokacija mali, a asortiman ograničen. Međutim, kada kompanija upravlja desetinama prodajnih mesta, hiljadama artikala, različitim ugovorima sa dobavljačima, promocijama, rokovima trajanja i zahtevima za sigurnosnim zalihama, ručno donošenje odluka postaje usko grlo.

U jednoj od većih regionalnih maloprodajnih kompanija, tri zaposlena su gotovo tri radna dana nedeljno provodila pripremajući predloge narudžbina. Morali su da analiziraju prodaju po lokacijama, stanje zaliha i sezonske trendove, uz istovremeno uzimanje u obzir promocija, minimalnih količina porudžbine, dobavljačkih podsticaja i ograničenja skladišta. Proces je bio složen i u velikoj meri zavisio od individualnog iskustva.

Prvi korak bio je povezivanje podataka iz ERP sistema, prodajnih sistema i logistike, kao i definisanje poslovnih pravila — od ugovornih ograničenja do nivoa sigurnosnih zaliha i posebnih uslova skladištenja. Zatim je proces unapređen modelima za predviđanje potražnje. Danas sistem automatski generiše predloge narudžbina po lokacijama, optimizuje premeštaje između prodavnica i uzima u obzir logistička i ugovorna ograničenja.

Proces koji je ranije zahtevao skoro tri dana rada tri zaposlena danas se završava za svega nekoliko sati. Sistem automatski generiše i realizuje narudžbine za više od 85% artikala. Nedostaci na zalihama smanjeni su i do 90%, što direktno dovodi do rasta prihoda. Istovremeno su smanjene zalihe sporopokretnih artikala, čime se smanjuje kapital vezan u zalihama.

Sistem nije u potpunosti autonoman i ne zamenjuje odgovorne zaposlene. On funkcioniše kao podrška u odlučivanju, automatizujući podatkovno zahtevne procese. Složeniji artikli se i dalje dodatno proveravaju od strane korisnika. Ključna razlika? Algoritam ne zaboravlja da pošalje narudžbinu.

Logistika: marža se više ne gubi u kamionu

Kompanije obično vrlo pažljivo prate logističke troškove, jer su direktno vidljivi na fakturama. Manje očigledne su, međutim, posledice neoptimalnih odluka o naručivanju — kapital vezan u zalihama, pretrpana skladišta i spor obrt zaliha — koje postaju vidljive tek kasnije u finansijskim izveštajima.

U nekoliko kompanija uočili smo da su se narudžbine pravile „da se popuni kamion“, bez obzira na stvarnu dinamiku prodaje. Rezultat su bile zalihe koje su stajale mesecima i zamrznut kapital.

Optimizacijom veličine isporuka i učestalosti naručivanja na osnovu prognoza prodaje, rokova isporuke i ugovornih uslova, rezultati su brzo postali vidljivi. Troškovi transporta smanjeni su za 5–15%, dok je kapital vezan u zalihama u proseku smanjen za više od 20% — uz zadržavanje ili čak poboljšanje dostupnosti proizvoda. U nekim kategorijama smanjenja su iznosila od 25% do 65%.

Sistem uzima u obzir sezone, minimalne količine narudžbine, dobavljačke podsticaje i ograničenja skladišta, i predlaže optimalnu raspodelu narudžbina tokom godine. Algoritam takođe može da izračuna da li ostvarivanje dobavljačkih bonusa ima finansijskog smisla u odnosu na trošak dodatnih zaliha i obrt kapitala. Ovo nije tehnološki eksperiment, već optimizacija ključne finansijske odluke.

Proizvodnja: manje zaliha i brži odgovor na porudžbine

U proizvodnim kompanijama neefikasnosti često nastaju zbog nepovezanosti između odeljenja. Prodaja obećava rokove isporuke, proizvodnja optimizuje kapacitete, a nabavka smanjuje rizik. Kada ove perspektive nisu usklađene, dolazi do kašnjenja ili viška zaliha.

Povezujemo prognoze prodaje sa stvarnim proizvodnim kapacitetima. Model uključuje spisak materijala, tehnološke procese, kapacitete mašina i rokove nabavke sirovina. Umesto odvojenih planova, sistem izračunava scenario koji je istovremeno izvodljiv u pogledu kapaciteta i finansijski optimalan.

U proizvodnji za zalihe, to rezultira poboljšanjem dostupnosti proizvoda za 10–20% i do 30% manje hitnih korekcija planova. U proizvodnji po porudžbini, vreme odgovora je smanjeno za 15–25%. Zalihe sirovina i poluproizvoda smanjene su za 10–20%, bez negativnog uticaja na nivo usluge.

Najveća promena je organizaciona. Prodaja, proizvodnja i nabavka počinju da donose odluke na osnovu istih podataka. Ima manje internih eskalacija, veća je preglednost i novčani tok je predvidljiviji.

B2C industrije: personalizacija počinje od podataka

U ugostiteljstvu, bankarstvu, osiguranju i drugim B2C industrijama, veštačka inteligencija se često povezuje sa personalizacijom. U praksi, međutim, najveći napredak najčešće počinje čišćenjem podataka.

Kod jednog klijenta prvo smo uklonili duplikate u bazi gostiju. Eliminacija dupliranih zapisa povećala je stopu otvaranja emailova za više od 20% i smanjila broj odjava. Tek nakon toga uvedeni su segmentacija ponašanja i predviđanje optimalnog vremena za kontakt. Efikasnost kampanja porasla je za 15–30%.

U automatizaciji obrade upita, sistem sada automatski klasifikuje poruke i predlaže odgovore. Vreme obrade smanjeno je za približno 40%, a komunikacija je postala konzistentnija.

Generički AI asistent koji nije povezan sa ERP i CRM sistemima obično ne donosi merljive rezultate. Pravi efekat postiže se tek kada je rešenje integrisano u ključne poslovne procese.

Finansije i računovodstvo: automatizacija tamo gde se najmanje očekuje

Sličan pristup pokazao se efikasnim i u finansijama. U jednoj industrijskoj kompaniji razvili smo model koji automatski predlaže konto i poreski kod prilikom prijema elektronske fakture. Računovođa zatim proverava i potvrđuje predlog, čime se značajno skraćuje vreme obrade.

Isti pristup može se primeniti i na zatvaranje računa, usklađivanje otvorenih stavki i druge ponavljajuće procese. Sve što se zasniva na pravilima i obrascima može se optimizovati.

Razlika je u osnovama, a ne u tehnologiji

Uspešni projekti ne počinju od tehnologije, već od konkretne poslovne odluke, jasno definisanog slučaja upotrebe i precizno identifikovanog problema. Najvažniji faktori su povezani i kvalitetni podaci, kao i saradnja između poslovnih timova i IT-a. Generička rešenja ne funkcionišu — prilagođavanje specifičnostima svake kompanije je ključno.

Veštačka inteligencija nije čarobni štapić, ali je izuzetno efikasan alat tamo gde se odluke ponavljaju i direktno utiču na troškove, prihode ili kapital. Većina kompanija u Sloveniji i regionu već ima potrebne podatke u svojim sistemima. Ključno pitanje više nije da li uvesti AI, već koji poslovni proces prvo unaprediti.

Kada AI postane deo osnovnog poslovanja, rezultati se jasno vide u maržama, nivou zaliha, novčanom toku i zadovoljstvu kupaca. U tom trenutku više ne govorimo o tehnološkom trendu, već o konkurentskoj prednosti.