Questo articolo si concentra sul ruolo dell’IA nella due diligence della catena di approvvigionamento e discute sia le sfide, i limiti e i benefici dell’IA all’interno di un processo di due diligence olistico, sia come potrebbe evolversi in futuro.
C’è stata molta discussione e dibattito sull’uso dell’IA nella due diligence della catena di approvvigionamento. Riferimenti a termini come Internet delle cose (IoT), big data, web scraping e relazioni inferite hanno guadagnato sempre più popolarità nei media e nelle discussioni riguardanti la due diligence della catena di approvvigionamento. La società sta sempre più sfruttando il potere di Internet e gli sviluppi tecnologici per cambiare il modo in cui viviamo e lavoriamo. Il dibattito è diffuso, così come la confusione riguardo alle capacità delle tecnologie emergenti e alla loro capacità di sostenere pratiche di approvvigionamento sostenibili.
La corsa verso lo zero netto in tutti i settori industriali sta creando una concorrenza senza precedenti per le materie prime, l’esperienza, i subappaltatori e i fornitori tanto necessari. Questa crescente domanda sta avendo implicazioni ambientali e sociali. Ci sono casi di lavoro forzato legati alla produzione di pannelli solari, deforestazione amazzonica legata alla produzione di turbine eoliche e danni alle risorse marine e ittiche in Indonesia causati dall’estrazione illegale di nichel.
È innegabile che le nuove tecnologie AI come lo screening dei media avversi e l’analisi delle immagini satellitari svolgano un ruolo nella nostra capacità di proteggere persone e pianeta, ma quando si tratta di questioni complesse e spesso nascoste all’interno della catena di approvvigionamento, è sufficiente fare affidamento su questi sviluppi?
Cos’è l’IA?
Innanzitutto, assicuriamoci di capire tutti cosa intendiamo per IA. Esistono diversi tipi di IA. Questi termini si riferiscono a concetti diversi all’interno del campo dell’intelligenza artificiale. Forse in modo poco utile, questi vengono spesso confusi o usati in modo interscambiabile, in particolare Narrow AI, Generative AI e General AI che sono spiegati di seguito.
Narrow AI (o Weak AI): Questo si riferisce a sistemi di intelligenza artificiale progettati e addestrati per una specifica attività o un insieme ristretto di compiti. La maggior parte delle applicazioni di intelligenza artificiale in uso oggi, come gli assistenti vocali come Siri o Alexa, i sistemi di riconoscimento delle immagini e gli algoritmi di raccomandazione, rientrano nella categoria di Narrow AI.
Generative AI: L’IA generativa si riferisce tipicamente a un sottoinsieme di intelligenza artificiale che si concentra sulla creazione di nuovi contenuti o dati piuttosto che solo sull’analisi o la classificazione di informazioni esistenti. Spesso coinvolge modelli in grado di generare output realistici e nuovi, come immagini, testi o addirittura interi scenari, basati sui modelli e sulle informazioni apprese dai dati di addestramento. Esempi di IA generativa includono generatori di testo come Chat GPT-3, generatori di immagini e altri modelli capaci di creare nuovi contenuti.
General AI (Intelligenza Artificiale Generale o AGI): L’IA generale, d’altra parte, si riferisce a un tipo di intelligenza artificiale che possiede la capacità di comprendere, apprendere e applicare conoscenze su un’ampia gamma di compiti, simile all’intelligenza umana. L’AGI sarebbe in grado di svolgere qualsiasi compito intellettuale che un essere umano può svolgere, adattandosi a situazioni nuove e non familiari e dimostrando una vasta comprensione di vari domini.
A differenza di Generative e Narrow AI, progettati per compiti specifici, l’AGI è ipotetico e attualmente non esiste. Raggiungere l’AGI rimane un obiettivo a lungo termine nel campo della ricerca sull’IA, quindi, per ora, questo blog si concentra su Narrow e Generative AI.
Sfide dell’IA
Anche se Generative e Narrow AI possono offrire significativi benefici nell’incrementare l’efficienza, l’accuratezza e la presa di decisioni durante la due diligence della catena di approvvigionamento, ci sono anche diverse sfide e problemi associati alla loro implementazione.
Alcuni operatori senza scrupoli che impiegano manodopera forzata, praticano estrazioni illegali o inquinano mari e fiumi non renderanno disponibili informazioni sulle loro attività commerciali dove l’attuale IA generativa potrebbe trovarle. Alcune delle principali questioni includono:
Qualità e Affidabilità dei Dati: I sistemi di IA generativa si basano pesantemente sui dati per l’addestramento e la presa di decisioni. Se i dati di input sono inaccurati, incompleti o tendenziosi, possono portare a risultati e decisioni errate.
Privacy e Sicurezza dei Dati: I dati della catena di approvvigionamento spesso includono informazioni sensibili su aziende, fornitori e clienti. Garantire la privacy e la sicurezza di questi dati è cruciale per prevenire l’accesso non autorizzato, le violazioni o l’abuso.
Complessità delle Reti della Catena di Approvvigionamento: Le catene di approvvigionamento possono essere intricate e coinvolgere numerosi stakeholder, rendendo difficile modellarle e analizzarle. Gli algoritmi di IA generativa possono avere difficoltà a catturare l’intera complessità delle reti di approvvigionamento globali.
Mancanza di Standardizzazione: L’assenza di formati dati standardizzati e protocolli in tutta la catena di approvvigionamento può ostacolare l’integrazione e l’interoperabilità dei sistemi di IA. Diverse aziende possono utilizzare sistemi diversi, rendendo difficile creare una soluzione universale.
Rischi Interconnessi: I rischi della catena di approvvigionamento sono spesso interconnessi e l’IA generativa può avere difficoltà ad analizzare e prevedere gli effetti a catena. Ad esempio, una perturbazione in una parte della catena di approvvigionamento può avere effetti a cascata sull’intera rete.
Questioni Etiche: L’uso dell’IA nella due diligence della catena di approvvigionamento solleva questioni etiche, come il bias algoritmico e il potenziale per conseguenze non intenzionali, come evidenziato di recente dall’IA di Google, Gemini. I sistemi di IA possono involontariamente perpetuare pregiudizi esistenti o prendere decisioni che hanno impatti negativi sociali o ambientali.
Natura Dinamica delle Catene di Approvvigionamento: Le catene di approvvigionamento sono dinamiche, con continui cambiamenti nella domanda, nell’offerta, nelle normative e nei fattori geopolitici. I sistemi di IA possono avere difficoltà ad adattarsi rapidamente a questi cambiamenti, portando a informazioni obsolete o inaccurate.
Validità dei Dati Sensibili al Tempo: Alcuni processi di due diligence della catena di approvvigionamento basati su IA si affidano alla raccolta di dati aziendali pubblicamente disponibili che possono essere contenuti nei rapporti finanziari o di sostenibilità annuali. A causa del ciclo di reportistica retrospettiva delle aziende che divulga queste informazioni, spesso possono essere obsolete o non pertinenti al momento della raccolta e analisi.
Accesso alle Informazioni di Livello Inferiore: Molti fornitori all’interno del mondo complesso della catena di approvvigionamento di un’azienda non pubblicano o divulganoinformazioni pubblicamente. Spesso, micro e piccole imprese conservano le informazioni su supporti cartacei o sui propri server aziendali, rendendo quasi impossibile per le soluzioni IA accedere alle informazioni.
Il ruolo benefico dell’IA generativa
Nonostante queste sfide, l’IA può e giocherà sempre più un ruolo nel migliorare la due diligence della catena di approvvigionamento e il pensiero basato sul rischio quando implementata con attenzione. È già in uso quotidiano e continuerà a evolversi per includere:
Assicurazione della Qualità dei Dati: Dare priorità alla qualità dei dati implementando processi di convalida e pulizia dei dati. Utilizzare algoritmi di IA per identificare e correggere incongruenze, errori e valori anomali nei dati.
Analisi Avanzate per la Complessità della Rete: Impiego di analisi avanzate e algoritmi di machine learning per modellare e analizzare reti di catene di approvvigionamento complesse. Questi strumenti aiutano a fornire informazioni sulle dipendenze, le vulnerabilità e i rischi potenziali in tutta la rete.
Monitoraggio della Conformità Normativa: Gli strumenti di IA possono e vengono utilizzati per monitorare e garantire la conformità alle normative rilevanti.
Gestione Integrata del Rischio: Sistemi di gestione del rischio integrati basati su IA che considerano i rischi interconnessi. Ciò può comportare la simulazione e l’analisi di vari scenari per identificare potenziali effetti a catena e sviluppare strategie di mitigazione proattive.
Visibilità e Tracciabilità della Catena di Approvvigionamento: Sfruttare le tecnologie di IA come blockchain e IoT (Internet delle cose) per migliorare la visibilità e la tracciabilità della catena di approvvigionamento. Questo può migliorare l’accuratezza dei dati e fornire informazioni in tempo reale sul movimento delle merci lungo la catena di approvvigionamento.
Questi casi d’uso aumenteranno solo con il maturare e l’affermaimento della tecnologia. Ad esempio, l’IA adattiva o l’IA che può adattarsi alla natura dinamica delle catene di approvvigionamento con meccanismi di apprendimento continuo, permetterà alla fine di evolvere e aggiornarsi in base ai cambiamenti nella domanda, nell’offerta e nei fattori esterni.
AI e web scraping per la gestione della catena di approvvigionamento delle PMI
Oggi, per le PMI, soluzioni completamente automatizzate e di tipo web scraping possono fornire una soluzione di gestione della catena di approvvigionamento economica, soprattutto dove i rischi sociali e ambientali, i requisiti di conformità e la complessità della catena di approvvigionamento sono minori.
Il ruolo dell’IA nei settori ad alto rischio e complessi
Nei settori fortemente regolamentati, complessi e ad alto rischio in cui Achilles si specializza nel supportare, è difficile immaginare uno scenario in cui solo l’IA fornirà la trasparenza richiesta – per un periodo di tempo considerevole in futuro, o forse mai.
Qui, il ruolo dell’IA, per ora, è e sarà come un complemento a metodi più approfonditi e dettagliati. Questi forse non sono così di tendenza come l’IA. Utilizzano persone reali, occhi, orecchie e molti anni di esperienza internazionale e una vera comprensione delle complesse questioni in gioco per identificare le minacce che si celano nell’ombra della catena di approvvigionamento di oggi.
Esempi del mondo reale
Da Achilles abbiamo la fortuna di supportare i clienti in tutte le fasi del loro percorso di due diligence, dalla valutazione del rischio alla divulgazione. Parte di questo processo sono le nostre ispezioni in loco e le interviste ai lavoratori. Si tratta di attività “con i piedi per terra”, in alcuni dei luoghi più inaccessibili e impegnativi del pianeta. I nostri team di ispettori utilizzano i loro occhi, le loro orecchie e la loro vasta esperienza per andare ancora più in profondità.
Un recente esempio di questo sono i potenziali casi di lavoro forzato identificati in un sito a Singapore. Il nostro cliente, una multinazionale energetica ignara che i lavoratori migranti impiegati tramite un’agenzia venivano invitati a pagare enormi depositi per ottenere impiego e, in alcuni casi, avevano i loro documenti di identità sottratti. Purtroppo questo non è un caso isolato. Che si tratti di sostanze chimiche depositate nei corsi d’acqua o di deduzioni salariali come forma di punizione finanziaria, i nostri team vedono e sentono questi problemi con i propri occhi e orecchie.
Oggi, per applicare una due diligence efficace e per conformarsi a legislazioni sempre più rigorose in materia di due diligence come Apenhetsloven, Bill S211, BRSR Core, CSDDD, Lieferkettengesetz e The Modern Slavery Act, è necessario adottare un approccio ampio utilizzando tutti gli strumenti disponibili per un’azienda. Fortunatamente per i nostri clienti abbiamo sfruttato questi strumenti e abbiamo l’esperienza per sapere quando e come utilizzarli.
Raggiungere un equilibrio tra automazione e competenze umane è cruciale. Una eccessiva dipendenza dall’IA senza supervisione umana può portare a punti ciechi e a sfumature mancate, mentre un’automazione insufficiente può comportare inefficienze. In un momento in cui il mondo sta affrontando un aumento degli abusi dei diritti umani, del lavoro minorile, del lavoro forzato e dell’inquinamento ambientale e lotta per ridurre le emissioni e affrontare il cambiamento climatico, è necessario utilizzare tutti gli strumenti a nostra disposizione per creare trasparenza e affrontare gli impatti negativi dei nostri affari. Regolatori, investitori e clienti farebbero male ad accettare qualcosa di meno.