Κάθε μέρα εκατομμύρια ευρώ παραμένουν δεσμευμένα σε αποθήκες επιχειρήσεων. Για περισσότερα από πενήντα χρόνια, η διαχείριση αποθεμάτων και ο προγραμματισμός υλικών στηρίχθηκαν σε μια από τις σημαντικότερες εφευρέσεις της βιομηχανικής εποχής: Το MRP (Material Requirements Planning). Χάρη σε αυτό, εργοστάσια, αποθήκες και εφοδιαστικές αλυσίδες σε όλο τον κόσμο κατάφεραν να οργανώσουν την παραγωγή τους, να προγραμματίσουν τις προμήθειές τους και να εξασφαλίσουν ότι τα σωστά υλικά θα βρίσκονται στο σωστό σημείο τη σωστή στιγμή.
Το MRP υπήρξε ένας πραγματικός επαναστάτης της δεκαετίας του 1970. Όμως, είχε ένα τεράστιο μειονέκτημα: Υπέθετε ότι ο κόσμος είναι τέλειος. Στο σύμπαν του παραδοσιακού MRP, τα πλοία δεν κολλάνε ποτέ στη Διώρυγα του Σουέζ, οι προμηθευτές παραδίδουν πάντα στην ώρα τους, η ζήτηση δεν επηρεάζεται από έναν ξαφνικό καύσωνα ή ένα trend στο TikTok, και οι εργαζόμενοι δεν αρρωσταίνουν. Όταν η πραγματικότητα χτυπούσε την πόρτα, το MRP «σήκωνε τα χέρια ψηλά», αναγκάζοντας τους διαχειριστές της εφοδιαστικής αλυσίδας να καταφεύγουν σε ατελείωτα Excel και εμπειρικές προβλέψεις.
Και κάπου εκεί εμφανίζεται ένας νέος παίκτης: η Τεχνητή Νοημοσύνη (ΤΝ). Όχι για να αντικαταστήσει το MRP. Αλλά για να του δώσει κάτι που ποτέ δεν είχε: Έναν πραγματικά έξυπνο βοηθό.
Η μεγάλη παρεξήγηση γύρω από το MRP
Πολλοί θεωρούν ότι τα προβλήματα των αποθεμάτων οφείλονται στις ατέλειες των συστημάτων MRP. Δεν είναι αλήθεια. Στην πραγματικότητα συμβαίνει ακριβώς το αντίθετο.
Το MRP είναι εξαιρετικό στο να υπολογίζει τι πρέπει να παραχθεί και τι πρέπει να αγοραστεί. Εκείνο που δεν μπορεί να γνωρίζει είναι αν οι πληροφορίες που λαμβάνει είναι σωστές.
Αν για παράδειγμα οι προβλέψεις των πωλήσεων (sales forecast) είναι λανθασμένες, το αποτέλεσμα των απαιτήσεων θα είναι επίσης λανθασμένο. Ομοίως αν οι χρόνοι παράδοσης των προμηθευτών δεν ανταποκρίνονται στην πραγματικότητα, το αποτέλεσμα θα είναι λανθασμένο. Αν τα αποθέματα ασφαλείας έχουν καθοριστεί πριν από δέκα χρόνια και δεν έχουν αναθεωρηθεί, τώρα που οι προμηθευτές τηρούν ελάχιστα αποθέματα, το αποτέλεσμα θα είναι λανθασμένο. Μπορούμε να συνεχίσουμε για δεκάδες ακόμα παραμέτρους του MRP όπως τα φασεολόγια, τα Bill of Materials, τους χρόνους παράδοσης (lead times), τις ημερομηνίες λήξης κλπ., αλλά το αποτέλεσμα θα είναι πάντα αυτό που οι μηχανικοί λογισμικού επισημαίνουν με τη γνωστή έκφραση: Garbage In, Garbage Out.
Όσο καλό κι αν είναι ένα σύστημα, η ποιότητα της απόφασής του εξαρτάται από την ποιότητα των δεδομένων που λαμβάνει.
Η αποθήκη ως οργανισμός που μαθαίνει
Μέχρι σήμερα οι περισσότερες αποθήκες λειτουργούσαν με το παραδοσιακό MRP δηλαδή με κανόνες. Φανταστείτε το παραδοσιακό MRP σαν έναν εξαιρετικό λογιστή. Ξέρει ακριβώς τους μαθηματικούς τύπους. Αν του δώσεις για ένα υλικό ζήτηση 1.000 μονάδων, χρόνο παράδοσης 10 ημέρες και απόθεμα ασφαλείας 200 τεμάχια, αφού ελέγξει τα διαθέσιμα αποθέματα (on hand) τις αναμενόμενες παραδόσεις και παραλαβές θα απαντήσει: «Παράγγειλε μέχρι την Πέμπτη 800 μονάδες για παράδοση την Παρασκευή». Μέχρι εδώ όλα καλά. Το πρόβλημα είναι ότι αυτός ο εξαιρετικός λογιστής δεν μαθαίνει από το παρελθόν, δεν βλέπει τον καιρό, δεν προβλέπει μια ξαφνική viral τάση στο TikTok, ούτε ξέρει ότι ο προμηθευτής Χ καθυστερεί συστηματικά κάθε Παρασκευή. Το MRP ζει σε έναν κόσμο γραμμικών εξισώσεων. Αλλά η αγορά είναι χαοτική, μη γραμμική και συναισθηματική. Και ακριβώς εδώ αρχίζει ο ρόλος της Τεχνητής Νοημοσύνης.
Από αύριο οι αποθήκες θα λειτουργούν με μάθηση. Η ΤΝ δεν ακολουθεί απλώς προκαθορισμένους κανόνες. Αναλύει δεδομένα, εντοπίζει πρότυπα, αναγνωρίζει συσχετίσεις και βελτιώνει συνεχώς τις προβλέψεις της.
Σκεφτείτε μια βιομηχανία τροφίμων. Ένα παραδοσιακό σύστημα γνωρίζει ότι τον Ιούλιο πουλήθηκαν πέρυσι 100.000 τεμάχια ενός προϊόντος. Ένα σύστημα ΤΝ γνωρίζει επιπλέον, τις προβλέψεις θερμοκρασίας, την τουριστική κίνηση, τις προωθητικές ενέργειες των αλυσίδων λιανικής, τις τιμές του ανταγωνισμού, τις τάσεις κατανάλωσης και τα ιστορικά σφάλματα προηγούμενων προβλέψεων.
Η διαφορά είναι αντίστοιχη με τη διαφορά ανάμεσα σε κάποιον που κοιτάζει τον καθρέφτη και σε κάποιον που κοιτάζει μπροστά από το παρμπρίζ.
Το νέο MRP που χρησιμοποιεί ΤΝ (ΑΙ driven MRP)
Η ενσωμάτωση της ΤΝ στο MRP δεν σημαίνει αντικατάσταση του παραδοσιακού MRP αλλά ενίσχυσή του με πρόσθετες πληροφορίες που του επιτρέπουν:
- Να αναλύει δεδομένα σε πραγματικό χρόνο: Αξιοποιεί, όπου αυτά είναι διαθέσιμα, εξωτερικά δεδομένα όπως μεταφορικές καθυστερήσεις, μετεωρολογικές προβλέψεις ή δείκτες αγοράς (π.χ. από την κίνηση των πλοίων στο λιμάνι της Σαγκάης μέχρι τις απόψεις που κυκλοφορούν στα social media για ένα προϊόν).
- Να αυτοδιορθώνεται: Αν μια πρόβλεψη αποδειχθεί λάθος, η ΤΝ μαθαίνει από το σφάλμα και προσαρμόζει τα μοντέλα του χωρίς ανθρώπινη παρέμβαση.
- Να εντοπίζει κρυφές συσχετίσεις: π.χ. κάθε φορά που ανεβαίνει η θερμοκρασία πάνω από 30°C, οι πωλήσεις αναψυκτικών αυξάνονται 40%, ενώ οι πωλήσεις κρέατος πέφτουν κατά 15%.
Για παράδειγμα ένας ξαφνικός καύσωνας τον Ιούλιο μπορεί να αυξήσει κατά δεκάδες ποσοστιαίες μονάδες τη ζήτηση εμφιαλωμένου νερού στα νησιά. Ένα παραδοσιακό MRP θα το αντιληφθεί όταν φτάσουν οι παραγγελίες. Ένα σύστημα MRP που χρησιμοποιεί ΤΝ μπορεί να το προβλέψει αρκετές ημέρες νωρίτερα.
Πρακτικά, η ΤΝ λειτουργεί ως ψηφιακός συνεργάτης (co-pilot) του υπεύθυνου προγραμματισμού υλικών (MRP controller) με συνομιλίες όπως: «Κοίτα, ο κλασικός MRP σού προτείνει παραγγελία 5.000 μονάδων στον προμηθευτή Α. Εγώ, όμως, βλέπω ότι ο ανταγωνιστής προμηθευτής Β μόλις έκανε προσφορά με έκπτωση –40%, οπότε καλύτερα να ζητήσεις αντίστοιχη έκπτωση και από τον Α παραγγέλνοντας 3.000 και να το ξαναδούμε την επόμενη εβδομάδα.»
Έτσι το νέο ευφυές MRP (ΑΙ driven MRP) διορθώνει και εμπλουτίζει τους υπολογισμούς καθοδηγώντας τους υπευθύνους να λάβουν καλύτερες αποφάσεις.
Δεν μιλάμε για μικρή βελτίωση αλλά για άλμα τάξης μεγέθους
Οι αριθμοί είναι αμείλικτοι. Μελέτες από την McKinsey, την Gartner και τα πανεπιστήμια του MIT δείχνουν ότι η εφαρμογή της ΤΝ αλλάζει δραστικά την εφοδιαστική αλυσίδα (supply chain) επιτυγχάνοντας:
- Να μειώσει τα λάθη πρόβλεψης ζήτησης κατά 30–50% (από MAPE – Mean Absolute Percentage Error 20% σε 10% ή και λιγότερο).
- Να ελαχιστοποιήσει τα αποθέματα ασφαλείας κατά 20–30% χωρίς να αυξήσει τον κίνδυνο ελλείψεων.
- Να μειώσει τις ελλείψεις (stock‑outs) έως και 65%.
- Να εξοικονομήσει λειτουργικό κόστος αποθήκης κατά 15–25% (μικρότερες παραγγελίες, λιγότερες υπεραναπληρώσεις, βελτιστοποίηση διαδρομών).
Για παράδειγμα μεταφρασμένα όλα τα παραπάνω σε ευρώ: μια επιχείρηση με τζίρο 50 εκατ. ευρώ μπορεί να εξοικονομήσει 3–5 εκατ. ευρώ μέσα σε 12‑18 μήνες.
Από τις προβλέψεις (Forecast) στην Ανίχνευση Ζήτησης (Demand Sensing)
Η πρώτη μεγάλη επανάσταση έρχεται στον χώρο της πρόβλεψης ζήτησης. Για δεκαετίες οι επιχειρήσεις προσπαθούσαν να προβλέψουν το μέλλον χρησιμοποιώντας το παρελθόν.
Η ΤΝ προσθέτει κάτι νέο: Την ικανότητα να αντιλαμβάνεται το παρόν. Η νέα έννοια που αλλάζει δραστικά τους κανόνες ονομάζεται Ανίχνευση Ζήτησης (Demand Sensing).
Αντί να περιμένει το τέλος του μήνα για να διαπιστώσει ότι η ζήτηση αυξήθηκε, το σύστημα παρακολουθεί καθημερινά τις παραγγελίες, τα POS, τη συμπεριφορά των πελατών και τα δεδομένα της αγοράς. Έτσι αναγνωρίζει μια αλλαγή στη ζήτηση ημέρες ή και εβδομάδες νωρίτερα. Η πληροφορία αυτή περνά αμέσως στο νέο ευφυές MRP (ΑΙ driven MRP) που έτσι αποκτά για πρώτη φορά πραγματική εικόνα της αγοράς.
Το τέλος των στατικών αποθεμάτων ασφαλείας
Σε χιλιάδες επιχειρήσεις ανά τον κόσμο υπάρχουν ακόμη κωδικοί που έχουν το ίδιο Safety Stock εδώ και χρόνια. Η λογική αυτή ανήκει σε εποχές όπου οι αγορές ήταν πολύ πιο προβλέψιμες από τη δική μας.
Σήμερα η ΤΝ εισάγει το Δυναμικό Απόθεμα Ασφαλείας Τεχνητής Νοημοσύνης (AI Dynamic Safety Stock). Το απόθεμα ασφαλείας δεν είναι πλέον σταθερός αριθμός. Γίνεται μια μεταβλητή που προσαρμόζεται συνεχώς με τη βοήθεια της ΤΝ. Αν αυξηθεί η αβεβαιότητα της ζήτησης, αυξάνεται. Αν βελτιωθεί η ακρίβεια των προβλέψεων, μειώνεται. Αν ένας προμηθευτής παρουσιάζει καθυστερήσεις, αναπροσαρμόζεται αυτόματα.
Η αποθήκη παύει να βασίζεται σε παραδοχές του παρελθόντος και αρχίζει να ανταποκρίνεται στις συνθήκες του παρόντος.
Ο MRP controller αποκτά βοηθό που δεν κοιμάται ποτέ
Η πιο ενδιαφέρουσα εξέλιξη δεν είναι η αυτοματοποίηση αλλά η συνεργασία ανθρώπου και μηχανής. Φανταστείτε έναν υπεύθυνο προγραμματισμού υλικών (MRP controller) που κάθε πρωί λαμβάνει χιλιάδες μηνύματα MRP. Από αυτά δεκάδες ή εκατοντάδες είναι κόκκινα (red alarms) που αφορούν Καθυστερήσεις, Ελλείψεις, Αλλαγές σε Προτάσεις παραγγελιών, Αλλαγές σε Προτάσεις παραγωγής, Εξαιρέσεις.
Η πραγματικότητα είναι ότι κανένας άνθρωπος δεν μπορεί να αναλύσει αποτελεσματικά τόσο μεγάλο όγκο πληροφορίας. Η ΤΝ λειτουργεί ως προσωπικός βοηθός του MRP controller.
Αναλαμβάνει να διαβάσει τα μηνύματα και να απαντήσει σε ένα απλό ερώτημα: «Τι πραγματικά χρειάζεται την προσοχή μου σήμερα;» εντοπίζοντας λίγες δεκάδες κρίσιμες περιπτώσεις που απαιτούν παρέμβαση για επικοινωνία σε προμηθευτές και την παραγωγή ή ακόμα και με πελάτες.
Η ΤΝ μπορεί να εντοπίσει ένα αδιέξοδο στην παραγωγή λόγω μιας έκτακτης βλάβης του εξοπλισμού, αλλά δεν μπορεί να ζητήσει χάρη σε μια βιοτεχνία υπεργολάβο να αναλάβει να παράγει ότι υπολείπεται μέσα στο Σαββατοκύριακο για να συμπληρώσει μια πολύ σημαντική παραγγελία ενός πελάτη.
Έτσι ο άνθρωπος δεν ασχολείται πλέον με τα δεδομένα. Ασχολείται με τις αποφάσεις και την επικοινωνία με άλλους ανθρώπους, για να διορθώσει ότι η ΤΝ εντόπισε ότι πρέπει και μπορεί να διορθωθεί από ανθρώπους.
Οι εξειδικευμένοι MRP Πράκτορες ΤΝ (AI Agents)
Η επόμενη γενιά συστημάτων MRP δεν θα περιορίζεται μόνο στις προτάσεις. Θα λειτουργεί μέσω εξειδικευμένων MRP Πρακτόρων ΤΝ (AI Agents).
Ένας εξειδικευμένος Πράκτορας ΤΝ θα παρακολουθεί τη ζήτηση. Ένας δεύτερος θα αναλύει τους προμηθευτές. Ένας τρίτος θα αξιολογεί τα επίπεδα αποθεμάτων. Ένας τέταρτος θα εξετάζει τη δυναμικότητα παραγωγής. Εργαζόμενοι και συνεργαζόμενοι μεταξύ τους αδιάκοπα, είκοσι τέσσερις ώρες το εικοσιτετράωρο θα εκτελούν τις απλές αλλά χρονοβόρες εργασίες και θα προτείνουν στους MRP controllers αποφάσεις και επικοινωνίες, χωρίς να κουράζονται ποτέ.
Όταν η αποθήκη αρχίζει να συνομιλεί
Η εξέλιξη των μεγάλων γλωσσικών μοντέλων αλλάζει ακόμη περισσότερο το τοπίο. Σύντομα οι υπεύθυνοι εφοδιαστικής δεν θα χρειάζεται να αναζητούν πληροφορίες σε δεκάδες αναφορές.
Το σύστημα δεν θα απαντά μόνο σε φυσική γλώσσα, αλλά θα εξηγεί, θα τεκμηριώνει και θα αιτιολογεί την απάντηση Η διαφάνεια αυτή είναι κρίσιμη, γιατί η διοίκηση δεν θέλει απλώς σωστές αποφάσεις. Θέλει να γνωρίζει και γιατί αυτές είναι σωστές.
Η μετάβαση προς τις «σκεπτόμενες αποθήκες» δεν αποτελεί πλέον ένα θεωρητικό σενάριο του μέλλοντος. Οι μεγαλύτεροι κατασκευαστές επιχειρησιακού λογισμικού SAP, Oracle και Microsoft, έχουν ήδη ξεκινήσει να ενσωματώνουν δυνατότητες ΤΝ στα συστήματά τους. Χαρακτηριστικό παράδειγμα αποτελεί η SAP, η οποία έχει αναπτύξει το Joule, ένα σύστημα βασισμένο σε ΤΝ που επιτρέπει στους χρήστες να συνομιλούν με το ERP σε φυσική γλώσσα και να λαμβάνουν άμεσες απαντήσεις σε ερωτήματα όπως: «Ποια υλικά κινδυνεύουν να παρουσιάσουν έλλειψη μέσα στις επόμενες δύο εβδομάδες;», «Ποιες παραγγελίες αγοράς πρέπει να επισπευσθούν;» ή «Γιατί αυξήθηκαν οι προτάσεις παραγωγής για το συγκεκριμένο προϊόν;». Πέρα όμως από την απλή αναζήτηση πληροφοριών, η νέα γενιά λύσεων της SAP αξιοποιεί μηχανισμούς πρόβλεψης ζήτησης, δυναμικού αποθέματος ασφαλείας και εξειδικευμένους Πράκτορες ΤΝ (AI Agents) που αναλύουν συνεχώς τα δεδομένα της εφοδιαστικής αλυσίδας, εντοπίζουν κινδύνους και προτείνουν διορθωτικές ενέργειες.
Μεγάλοι διεθνείς οργανισμοί όπως η Walmart, η Unilever και η Nestlé αξιοποιούν ήδη συστήματα ERP με TN για προβλέψεις πωλήσεων (sales forecasting) και βελτιστοποίηση αποθεμάτων (inventory optimization).
Για πρώτη φορά, τα ERP παύουν να είναι απλά συστήματα καταγραφής συναλλαγών αλλά εξελίσσονται σε ενεργούς συνεργάτες λήψης αποφάσεων.
Το οικονομικό όφελος
Η τεχνολογία της ΤΝ δεν υιοθετείται επειδή είναι εντυπωσιακή. Υιοθετείται επειδή παράγει αποτέλεσμα. Και στην περίπτωση των αποθεμάτων το αποτέλεσμα είναι άμεσα μετρήσιμο.
Οι επιχειρήσεις που εφαρμόζουν συστήματα ΤΝ στον σχεδιασμό αποθεμάτων αναφέρουν συχνά:
- Μείωση συνολικών αποθεμάτων κατά 15%-30%,
- Μείωση ελλείψεων κατά 20%-50%,
- βελτίωση της ακρίβειας προβλέψεων κατά 10%-30%,
- αύξηση του επιπέδου εξυπηρέτησης πελατών,
- απελευθέρωση σημαντικών κεφαλαίων κίνησης.
Για μια μεσαία βιομηχανία, με αποθέματα π.χ. 20 εκατ. ευρώ, η μείωση κατά 20% σημαίνει απελευθέρωση 4 εκατ. ευρώ κεφαλαίου χωρίς καμία τραπεζική χρηματοδότηση.
Το ελληνικό παράθυρο ευκαιρίας
Η Ελλάδα διαθέτει ισχυρή παρουσία σε κλάδους όπου η διαχείριση αποθεμάτων είναι καθοριστική όπως στους κλάδους που αφορούν τρόφιμα και ποτά, φαρμακευτικά προϊόντα, λιανεμπόριο, logistics, βιομηχανική παραγωγή.
Οι περισσότερες από αυτές τις επιχειρήσεις έχουν ήδη εγκατεστημένα ERP συστήματα και επομένως διαθέτουν ήδη τα δεδομένα και τις διαδικασίες της παρακολούθησης των αποθεμάτων. Εκείνο που λείπει είναι το επίπεδο νοημοσύνης που θα μετατρέψει τα δεδομένα σε καλύτερες αποφάσεις.
Για πρώτη φορά, η ΤΝ δίνει αυτή τη δυνατότητα ακόμη και σε επιχειρήσεις που δεν διαθέτουν στρατιές αναλυτών ή επιστημόνων δεδομένων. Το ανταγωνιστικό πλεονέκτημα για όσες επιχειρήσεις κινηθούν γρήγορα θα είναι τεράστιο. Όχι μόνο σε κόστος, αλλά στην ικανότητα να ανταποκριθούν σε κρίσεις από τον κορονοϊό μέχρι την ενεργειακή κρίση και την αναταραχή στη Μέση Ανατολή και την Ερυθρά Θάλασσα.
Σε μια χώρα όπου το κόστος χρηματοδότησης παραμένει υψηλότερο από τον ευρωπαϊκό μέσο όρο, κάθε ευρώ που απελευθερώνεται από περιττά αποθέματα μετατρέπεται άμεσα σε ανταγωνιστικό πλεονέκτημα.
Το μέλλον: Από reactive σε predictive (και τελικά σε prescriptive)
Σήμερα, τα περισσότερα συστήματα είναι αντιδραστικά (reactive) δηλαδή αντιδρούν όταν η ζήτηση αλλάξει. Η ΤΝ τα κάνει προβλεπτικά (predictive) δηλαδή να προβλέπουν τις αλλαγές πριν αυτές συμβούν. Το επόμενο βήμα όμως ίσως είναι ακόμα πιο συναρπαστικό: Η ΤΝ τα κάνει Καθοδηγητικά (prescriptive) δηλαδή δεν θα λέει μόνο «τι θα συμβεί», αλλά «τι πρέπει να γίνει τώρα, με ποια σειρά, και με ποιον προμηθευτή, για να μεγιστοποιηθεί το κέρδος ή να λυθεί ένα πρόβλημα της εφοδιαστικής».
Φανταστείτε ένα σύστημα που, μόλις εντοπίσει ότι ένας προμηθευτής στην Ιταλία πρόκειται να καθυστερήσει, ανακατανέμει αυτόματα την παραγγελία σε άλλον, αλλάζει τη γραμμή παραγωγής για εναλλακτικό υλικό, και ενημερώνει το λογιστήριο για τα νέα κοστολόγια και όλα αυτά πριν καν ένα ανθρώπινο μάτι διαβάσει το email που ειδοποιεί για την καθυστέρηση.
Η αποθήκη του μέλλοντος δεν θα είναι απλώς αυτοματοποιημένη
Για χρόνια μιλούσαμε για την αυτοματοποίηση των αποθηκών με χρήση Ρομπότ, Αυτόματων συστημάτων αποθήκευσης και γραμμών διακίνησης.
Όλα αυτά παραμένουν σημαντικά. Αλλά η μεγαλύτερη αλλαγή στις αποθήκες δεν αφορά την αποθήκευση ή την κίνηση των προϊόντων αλλά την κίνηση της γνώσης.
Η αποθήκη του μέλλοντος δεν θα είναι απλώς ένας χώρος όπου τα προϊόντα μετακινούνται αυτόματα αλλά ένας χώρος όπου τα δεδομένα μετατρέπονται συνεχώς σε αποφάσεις.
Ένας χώρος που θα προβλέπει πριν συμβεί το πρόβλημα. Που θα προειδοποιεί πριν εμφανιστεί η έλλειψη. Που θα προτείνει πριν ζητηθεί η λύση. Και ίσως για πρώτη φορά στην ιστορία της εφοδιαστικής αλυσίδας, η μεγαλύτερη αξία μιας αποθήκης να μην βρίσκεται στα ράφια της αλλά στη νοημοσύνη της.
Γιατί η επανάσταση που φέρνει η ΤΝ δεν είναι ότι οι αποθήκες θα γίνουν πιο γρήγορες αλλά ότι θα αρχίσουν να σκέφτονται.
Δεν είναι πολυτέλεια – είναι ανάγκη
Σε έναν κόσμο όπου οι εφοδιαστικές αλυσίδες αποδεικνύονται εύθραυστες, όπου ο πελάτης περιμένει κάθε προϊόν να είναι “διαθέσιμο πάντα, παντού”, και όπου το κόστος χρήματος είναι υψηλό (άρα το παγωμένο απόθεμα κοστίζει ακριβά), η επανάσταση της ΤΝ στα αποθέματα δεν είναι πολυτέλεια. Είναι μονόδρομος.
Το MRP υπολογίζει. Η Τεχνητή Νοημοσύνη προβλέπει. Ο άνθρωπος αποφασίζει.
Η βιομηχανική επανάσταση έφερε τις μηχανές στα εργοστάσια. Η ψηφιακή επανάσταση έφερε τους υπολογιστές στα γραφεία. Η επανάσταση της Τεχνητής Νοημοσύνης φέρνει τη νοημοσύνη στις αποθήκες. Και όσοι το καταλάβουν πρώτοι, θα αποκτήσουν ένα πλεονέκτημα που δύσκολα θα ανατραπεί.
