Virksomheder på tværs af sektorer tager i stigende grad AI-teknologien til sig. Her har AI indtil nu ofte handlet om at favne mulighederne i generativ AI, primært til produktion af indhold til nyhedsbreve og sociale medier. Den anvendelse har på kort tid drevet markant udvikling i salg- og marketingafdelinger.

Men hvordan kan AI anvendes til at skabe værdi i selve kerneforretningen?  Det spørgsmål stiller stadig flere virksomheder sig selv. Og med god grund. For AI har et stort potentiale for at drive strategisk udvikling i kerneforretningen. Både når den kommercielle del af forretningen skal udvikles, interne processer optimeres, og når historik og indsigt skal bruges strategisk i produktionsplanlægning eller til at forudsige fremtidig adfærd og udvikling.

I denne artikel deler jeg tre tilgange til implementering af AI, som giver AI en strategisk rolle i kerneforretningens områder.

Den nemmeste måde at implementere AI i kerneforretningens områder findes i software, som allerede har klargjort en integration til AI. Det kan f.eks. være i et PIM-system, hvor integreret AI kan bruges til automatisk generering af produkttekster med konteksten fra produktets datapunkter. Det kunne også være i en kundeportal, hvor integreret AI kan bruges til at anbefale personaliseret, relevant indhold på baggrund af en analyse af brugeradfærden.

Den form for direkte integration giver en række umiddelbare fordele, som hurtigt kan aflæses bl.a. i form af tidsbesparelse og bedre databerigelse.

Ønsker man en bredere strategisk anvendelse, kan AI implementeres som en komponent i en automatiseringsproces, der supplerer og styrker udvalgte eksisterende systemer. Det kan f.eks. være i en automatisering, som løbende skal flytte og analysere data på tværs af systemer.

Ved at koble AI på som en komponent, kan data renses, beriges med yderligere informationer eller valideres, inden det rammer destinationssystemet. Det kan være i en automatisering i en tilbudsproces, hvor man ønsker en kvalificeret kundespecifik pris i sin salgsplatform (CPQ). Ved at kalde automatiseringen, vil CPQ, ERP og AI-komponenten i dette scenarie snakke sammen og nå frem til den bedst kvalificerede pris og anbefaling.

Denne tilgang til AI-implementering giver mulighed for at udnytte den eksisterende data- og IT-infrastruktur bedre. Ved at koble AI på en automatisering mellem etablerede systemer kan I maksimere værdien af de investeringer, I allerede har foretaget, samtidig med at I tilføjer en ekstra dimension af intelligens. På den måde kan AI smidigt integreres i en velfungerende arkitektur og levere værdi i kerneforretningen.

Den mest optimale udnyttelse af AI findes i en struktur, hvor AI implementeres på lige fod med virksomhedens kernesystemer. For når AI bygges ind i kernen af systemarkitekturen, får I et både stærkt og fleksibelt redskab til drift og udvikling af kerneforretningen.

Når AI implementeres på et stærkt datagrundlag, kan teknologien både bruges til at udarbejde forecasts og identificere mønstre og tendenser med afsæt i både interne og eksterne datakilder.

Netop den funktion giver forretningen et stærkt fundament for strategisk udvikling, bl.a.:

Optimering af kerneforretningens processer

I en salgsproces kan AI kan trække data fra kernesystemer som ERP, WMS, CRM og ERP og bruge den samlede indsigt til at optimere hele salgsprocessen. Her kan AI bl.a. bruges til anbefalinger om, hvilke produkter der skal tilbydes baseret på kundens historik, lagerstatus og aktuelle trends.

I produktionsvirksomheder, hvor råvare- og strømpriser har stor betydning, kan AI bruges til optimering af produktionsplanlægning. Her kan teknologien eksempelvis bruges til at forecaste på bedste produktionstidspunkt på døgnet ift. strøm, eller den kan anvendes til at undersøge og sammenligne priser og leveringstider hos de forskellige leverandører.

Datasikkerhed

AI kan overvåge data og systemer og identificere unormale datamønstre og mistænkelige ændringer i realtid. Det giver jer mulighed at identificere datasvindel og interne sikkerhedstrusler, før de for alvor bliver kritiske.

Potentialerne i AI er store. Men AI stiller samtidig krav til digitaliseringsgraden i kerneforretningen. For AI trænes på data, og derfor er datakvalitet og -tilgængelighed helt afgørende for at kunne udnytte potentialerne. I praksis betyder det, at klare sammenhænge mellem systemer, den rette dataarkitektur og sikring af kvalitet på tværs af datatyper er første step, når I begynder at orientere jer mod AI i forretningsudviklingen.