Det här blogginlägget fokuserar på rollen för AI inom Supply Chain Due Diligence och diskuterar både utmaningarna, begränsningarna och fördelarna med AI inom en helhetlig process för due diligence samt hur det kan utvecklas i framtiden.
Det har förekommit mycket diskussion och debatt om användningen av AI inom supply chain due diligence. Referenser till termer som Internet of Things (IoT), big data, web scraping och infererade relationer har fått ökad popularitet i media och i diskussioner om supply chain due diligence. Samhället utnyttjar i allt högre grad kraften hos internet och tekniska framsteg för att förändra sättet vi lever och arbetar på. Debatten är omfattande, liksom förvirringen kring de nya teknologiernas förmågor och deras förmåga att stödja hållbara inköpspraxis.
Tävlingen mot nollutsläpp inom alla branscher skapar en unik konkurrens om de mycket behövda råmaterialen, expertisen, underleverantörerna och leverantörerna. Denna ökande efterfrågan har miljö- och samhällsmässiga konsekvenser. Det finns fall av tvångsarbete kopplade till tillverkning av solpaneler, avskogning av Amazonas kopplad till tillverkning av vindkraftverk och skador på marina och fiskebestånd i Indonesien från olaglig nickelgruvdrift.
Det är obestridligt att nya AI-teknologier som screening av negativ media och analys av satellitbilder spelar en roll för vår förmåga att skydda människor och planeten, men när det handlar om komplexa och ofta dolda frågor inom leveranskedjan, är det tillräckligt att lita på dessa framsteg?
Vad är AI?
Först och främst, låt oss se till att vi alla förstår vad vi menar med AI. Det finns flera olika typer av AI. Dessa termer hänvisar till olika koncept inom området artificiell intelligens. Kanske inte så hjälpsamt, dessa förväxlas ofta eller används omväxlande – särskilt Narrow AI, Generative AI och General AI som förklaras nedan.
Narrow AI (eller svag AI): Detta hänvisar till AI-system som är designade och tränade för en specifik uppgift eller en smal uppsättning uppgifter. De flesta AI-applikationer som används idag, som röstassistenter som Siri eller Alexa, bildigenkännningssystem och rekommendationsalgoritmer, faller inom kategorin smal AI.
Generative AI: Generative AI hänvisar vanligtvis till en underkategori av artificiell intelligens som fokuserar på att skapa nytt innehåll eller data istället för bara att analysera eller klassificera befintlig information. Det innebär ofta modeller som kan generera realistiska och nya utdata, som bilder, text eller till och med hela scenarier, baserat på de mönster och information de har lärt sig från träningsdata. Exempel på generativ AI inkluderar textgeneratorer som Chat GPT-3, bildgeneratorer och andra modeller som är kapabla att skapa nytt innehåll.
General AI (Artificiell Generell Intelligens eller AGI): Generell AI, å andra sidan, hänvisar till en typ av artificiell intelligens som har förmågan att förstå, lära och tillämpa kunskap över ett brett spektrum av uppgifter, liknande mänsklig intelligens. AGI skulle vara kapabel att utföra vilken intellektuell uppgift som helst som en människa kan, anpassa sig till nya och okända situationer och visa en bred förståelse för olika områden.
Till skillnad från Generative och Narrow AI, som är designade för specifika uppgifter, är AGI hypotetisk och existerar för närvarande inte. Att uppnå AGI förblir ett långsiktigt mål inom AI-forskningen, så för tillfället fokuserar den här bloggen på Narrow och Generative AI.
Utmaningar med AI
Även om Generative och Narrow AI kan erbjuda betydande fördelar för att förbättra effektiviteten, noggrannheten och beslutsfattandet under leveranskedjans due diligence, finns det också flera utmaningar och problem förknippade med dess implementering.
Få oseriösa operatörer som använder tvångsarbete, bryter mot lagen eller förorenar hav och floder kommer att lägga information om sina affärsaktiviteter där dagens Generative AI kan hitta den. Några av de viktigaste problemen inkluderar:
Datakvalitet och tillförlitlighet: Generative AI-system förlitar sig tungt på data för träning och beslutsfattande. Om indata är felaktig, ofullständig eller partisk kan det leda till felaktiga resultat och beslut.
Dataskydd och säkerhet: Leveranskedjedata innehåller ofta känslig information om företag, leverantörer och kunder. Att säkerställa dataskydd och säkerhet är avgörande för att förhindra obehörig åtkomst, intrång eller missbruk.
Komplexitet i leveranskedjenätverk: Leveranskedjor kan vara intrikata och involvera många intressenter, vilket gör det utmanande att modellera och analysera. Generative AI-algoritmer kan ha svårt att fånga hela komplexiteten i globala leveranskedjenätverk.
Brist på standardisering: Frånvaron av standardiserade dataformat och protokoll över leveranskedjan kan hindra integrationen och interoperabiliteten hos AI-system. Olika företag kan använda olika system, vilket gör det svårt att skapa en universell lösning.
Sammanlänkade risker: Leveranskedjerisker är ofta sammanlänkade, och Generative AI kan ha svårt att analysera och förutse kaskadeffekter. Till exempel kan en störning i en del av leveranskedjan få rippelfördelningar i hela nätverket.
Etiska bekymmer: Användningen av AI inom leveranskedjans due diligence väcker etiska frågor, såsom algoritmisk partiskhet och risken för oavsiktliga konsekvenser, som exemplifieras av Googles Gemini AI nyligen. AI-system kan oavsiktligt förstärka befintliga biaser eller fatta beslut som har negativa sociala eller miljömässiga konsekvenser.
Dynamiken i leveranskedjor: Leveranskedjor är dynamiska, med ständiga förändringar i efterfrågan, utbud, regleringar och geopolitiska faktorer. AI-system kan ha svårt att anpassa sig snabbt till dessa förändringar, vilket leder till föråldrade eller felaktiga insikter.
Giltigheten av tidskänsliga data: Vissa AI-processer för leveranskedjans due diligence förlitar sig på insamling av offentligt tillgänglig företagsdata som kan finnas i årliga finansiella eller hållbarhetsrapporter. På grund av företags retrospektiva rapporteringscykel kan denna information ofta vara föråldrad eller irrelevant vid tidpunkten för insamling och analys.
Tillgång till information på lägre nivå: Många leverantörer inom det komplexa företagets leveranskedja publicerar eller avslöjar inte information offentligt. Ofta behåller mikro- och småföretag information i pappersformat eller på sina företagsservrar, vilket gör det nästan omöjligt för AI-lösningar att få åtkomst till informationen.
Den fördelaktiga rollen för Generative AI
Trots dessa utmaningar kan AI och kommer att spela en allt viktigare roll för att förbättra leveranskedjans due diligence och riskbaserade tankesätt när de implementeras på ett genomtänkt sätt. Det används redan dagligen och kommer att fortsätta att utvecklas för att inkludera:
Säkring av datakvalitet: Prioritera datakvaliteten genom att implementera processer för datavalidering och rening. Använd AI-algoritmer för att identifiera och rätta till inkonsekvenser, fel och avvikelser i datan.
Avancerad analys för nätverkskomplexitet: Användning av avancerad analys och maskininlärningsalgoritmer för att modellera och analysera komplexa leveranskedjenätverk. Dessa verktyg hjälper till att ge insikter i beroenden, sårbarheter och potentiella risker över hela nätverket.
Övervakning av regelmässig efterlevnad: AI-verktyg kan och används för att övervaka och säkerställa efterlevnaden av relevanta regler och föreskrifter.
Integrerad riskhantering: AI-drivena system för integrerad riskhantering som tar hänsyn till sammanlänkade risker. Detta kan innebära att simulera och analysera olika scenarier för att identifiera potentiella kaskadeffekter och utveckla proaktiva åtgärdsstrategier.
Synlighet och spårbarhet i leveranskedjan: Dra nytta av AI-teknologier som blockchain och IoT (Internet of Things) för att förbättra synligheten och spårbarheten i leveranskedjan. Detta kan förbättra datakvaliteten och ge realtidsinsikter i rörelsen av varor genom hela leveranskedjan.
Dessa användningsfall kommer bara att öka när tekniken blir mer mogen och etablerad. Till exempel, Adaptiv AI eller AI som kan anpassa sig till den dynamiska naturen hos leveranskedjor med kontinuerliga inlärningsmekanismer, kommer i slutändan att möjliggöra utveckling och uppdatering baserat på förändringar i efterfrågan, utbud och externa faktorer.
AI och webbskrapning för leveranskedjehantering för SME:er
Idag kan för SME:er, helt automatiserade och webbskrapningstyper av lösningar ge en kostnadseffektiv leveranskedjehanteringslösning – särskilt där sociala och miljömässiga risker, efterlevnadskrav och leveranskedjans komplexitet är lägre.
AIs roll inom högrisk, komplexa sektorer
I de kraftigt reglerade, komplexa och högrisksektorer som Achilles specialiserar sig på att stödja är det dock svårt att se ett scenario där AI ensamt kommer att erbjuda den transparens som krävs – under en betydande tid framöver, eller kanske någonsin.
Här är AIs roll, för närvarande, och kommer att vara som ett komplement till djupare, mer detaljerade metoder. Dessa är kanske inte lika trendiga som AI. De använder riktiga människor, ögon, öron och många års internationell erfarenhet och verklig förståelse för de komplexa frågor som är aktuella för att identifiera hot som lurar i skuggorna av dagens leveranskedjor.
Verkliga exempel
På Achilles har vi förmånen att stödja klienter i alla stadier av deras due diligence-resa, från riskutvärdering till offentliggörande. En del av den processen är våra fältrevisioner och arbetarintervjuer. Dessa är aktiviteter av typen ”skor på marken”, på några av de mest otillgängliga och krävande platserna på planeten. Våra revisorslag använder sina ögon, öron och omfattande erfarenhet för att gå ännu djupare.
Ett nyligen exempel på detta är de potentiella fallen av tvångsarbete som identifierades på en plats i Singapore. Vår klient, ett multinationellt energiföretag som inte var medvetet om att migrerande arbetare anställda via ett byrå blev ombedda att betala stora depositioner för att få anställning och, i vissa fall, hade sina identitetshandlingar tagna från dem. Tyvärr är detta inte ett isolerat fall. Oavsett om det handlar om kemikalier som deponeras i vattendrag eller löneavdrag som en form av ekonomisk bestraffning, ser våra team och hör dessa frågor med egna ögon och öron.
Idag krävs en bred strategi för att tillämpa effektiv due diligence och uppfylla allt mer rigorösa lagar och regler för due diligence som Apenhetsloven, Bill S211, BRSR Core, CSDDD, Lieferkettengesetz, och The Modern Slavery Act. Lyckligtvis för våra kunder har vi utnyttjat dessa verktyg och har erfarenheten att veta när och hur man använder dem.
Att uppnå en balans mellan automation och mänsklig expertis är avgörande. Överdriven förlitighet på AI utan mänsklig tillsyn kan och kommer att leda till blinda fläckar och missade nyanser, medan otillräcklig automation kan resultera i ineffektiviteter. I en tid då världen står inför en ökning av människorättsbrott, barnarbete, tvångsarbete och miljöföroreningar samt kämpar för att minska utsläppen och hantera klimatförändringar, måste vi använda alla verktyg som står till vårt förfogande för att skapa transparens och hantera de negativa konsekvenserna av våra affärstransaktioner. Regulatorer, investerare och kunder skulle ha fel att acceptera något mindre.