Zakupy w MŚP: dlaczego AI bez kontekstu nie działa

Dział zakupów w produkcyjnym MŚP, czyli jeden z krytycznych elementów organizacji skupiający kluczowe przepływy pieniężne. W zakupach zawsze spotykam świetnych ludzi, doskonale zorganizowanych, darzonych ogromnym zaufaniem przez właścicieli, odpowiedzialnych i asertywnych. Praca w zakupach nie należy do łatwych, dynamiczne otoczenie i ciągłe szukanie kompromisu pomiędzy utrzymaniem dobrych relacji z dostawcami, tak żeby pomogli, kiedy wydarzy się coś czego nikt nie przewidział, a zapewnieniem najlepszych korzyści dla firmy. Zakupowiec, który pracuje w firmie od lat, wie rzeczy bezcenne dla cash flow, rentowności. Ogromna część tej wiedzy istnieje wyłącznie w pamięci tych osób, w notatkach, w kontekstach maili, plikach .xlsx zrobionych na własny użytek.

Zakupowiec wie, że do dostawcy X najlepiej dzwonić przed południem, bo potem nie odbiera. Wie, że lead time podany w cenniku to 7 dni, ale prawdziwy — ten z doświadczenia — to 12, no chyba że zamówisz przed środą. Wie, że surowiec z dostaw latem bywa słabszy i trzeba wtedy ściślej kontrolować partie na wejściu. Wie, że jeśli wspomnisz dostawcy Y o tym, że rozważasz alternatywę, to nagle pojawia się rabat, który oficjalnie nie istnieje. Oczywiście właściciel także wie, że taki model utrzymywania wiedzy nie jest bezpieczny, każdy pracownik przecież idzie na urlop, czasem zachoruje. Wiele firm ma za sobą projekty digitalizacji takich danych, rzadko są one udane. Najczęściej podczas ostatniego wdrożenia „ERPa” podejmowano próbę zebrania tego wszystkiego, opisania atrybutami na kartach kontrahentów i kartach materiałów. Problem jest zawsze taki sam; wiele z tych informacji ma tak unikalny nieszablonowy charakter, że ciężko skutecznie ubrać je w przejrzysty i jednolity system informacji czytelny dla systemów.

Ile kosztuje firmę sytuacja, kiedy zakupowiec podejmuje decyzję o zmianie pracy?

Nie mam na myśli odpraw ani kosztów rekrutacji. Mówię o trzech, może sześciu miesiącach, kiedy nowa osoba uczy się od zera tego, co poprzednia wiedziała z automatu tworząc listę zamówień na przyszły miesiąc. O zamówieniach złożonych z opóźnieniem, bo nikt nie wiedział o tym niepisanym lead time, o przestojach na produkcji. O surowcu słabszej jakości, bo nikt nie pamiętał o tej letniej dostawie. O rozmowach z dostawcami, w których firma nagle negocjuje gorzej niż rok temu — i nikt nie wie, dlaczego.

To nie jest problem złego zakupowca. To problem struktury. Wiedza jest — tylko niewłaściwie alokowana: wyłącznie w głowie człowieka. Konsekwencją tego stanu rzeczy jest także bardzo niski potencjał adopcji inżynierii AI.

Pierwszy krok, który robię w takich przypadkach: zapisuję to, co firma już wie. Brzmi banalnie, choć w rzeczywistości jest trudne i czasochłonne.

Nie wdrażam systemu. Nie zmieniam procesów. Siadam z zakupowcem i przez kilka dni, często tygodni, zamieniam jego wiedzę na tekst, dane i schematy. Strukturę danych ubieram w kształt i format zapewniający najlepszą wydajność we współpracy w modelami LLM. Powstaje z tego zapisana językiem naturalnym baza wiedzy, będąca doskonałym kontekstem dla GenAI:

Karty dostawców — nie te oficjalne z certyfikatami i danymi z KRS, ale te rzeczywiste: kto naprawdę decyduje, jak i kiedy warto negocjować, w jakich momentach dostawca ma swoje słabsze okresy.

Historia cen z dwóch lat — bo bez niej nie wiesz czy cena, którą dostałeś jest dobra czy zła, ale uzupełniona o kontekst, okoliczności, miękką wiedzę, której nie sposób zapisać w prostej macierzy danych.

Specyfikacje - uzupełnione o to, czego nie ma w karcie technicznej: które dostawy bywają gorsze, który parametr ma naprawdę znaczenie dla produkcji.

To tylko przykłady macierzy informacji budujących kontekst procesu.

I ta część, którą właściciele doceniają najbardziej: zasady, które do tej pory istniały wyłącznie jako nieformalne przyzwyczajenia. Kiedy zamawiać, żeby zdążyć na plan. Przy jakich wolumenach uruchamiają się lepsze warunki. Który dostawca wymaga tygodnia więcej, mimo że tego nie mówi. Na tym etapie ustalamy także precyzyjne zasady utrzymania tej bazy wiedzy na właściwym poziomie, wciąż pojawiają się nowi dostawcy a u stałych sytuacja ulega zmianie, również nasza produkcja ewoluuje. Praca nad kontekstem nigdy się nie kończy, ale zdecydowanie warto ją wykonywać.

Już na tym etapie często pojawiają się ciekawe wnioski.

Bazę budujemy zazwyczaj na kilka tygodni przed tym jak w ogóle dotykamy jakiegokolwiek modelu AI. I właśnie w tej fazie — zanim AI wejdzie do gry — pojawiają się odkrycia, których nikt się nie spodziewał.

Jeden z klientów zorientował się w trakcie, że ma trzech dostawców surowca krytycznego — ale de facto kupuje od jednego (85% dostaw); powód: ta firma nieformalnie zabezpiecza kilkanaście innych indeksów materiałowych, pomagając realizować pojedyncze, nieprzewidywalne, ale wysokomarżowe zamówienia od klientów. Po prostu trzymają dla nas towar na półce; inni dostawcy nie chcą nawet słyszeć o takim rozwiązaniu. Widoczne dopiero kiedy opiszemy to w taki sposób. Marże z realizacji szybkich zamówień specjalnych kilkukrotnie przewyższają wartość wynikającą z zakupu surowca krytycznego po nieco wyższej cenie. To zmienia całą strategię zakupów na tej płaszczyźnie.

Inny klient zobaczył, że zakupy negocjują ceny indywidualnie przy każdym zamówieniu, choć mogliby wynegocjować kontrakt roczny za niższą stawkę. Zakupowiec o tym wiedział. Nigdy nie zaproponował - nie dlatego że był niekompetentny, tylko że nikt go o to nie zapytał i nie miał czasu, żeby to policzyć.

Kiedy baza jest gotowa, kiedy wiedza jest zapisana, zweryfikowana, ujednolicona -skuteczne podłączenie modelu językowego przestaje być problemem. Narzędzia AI w końcu mają co analizować. Pierwszym krokiem jest ustrukturyzowanie tej wiedzy, wychwycenie konfliktów, brakujących elementów, oczyszczenie; już na tym etapie modele LLM doskonale się sprawdzają. Powstaje baza wiedzy będąca kontekstem asystenta AI dla zakupowca.

Asystent może odpowiedzieć na pytanie: czy ta cena jest powyżej czy poniżej historycznej średniej dla tego surowca? Może sprawdzić, którzy dostawcy mają kontrakty wygasające w przyszłym kwartale i kiedy ostatnio negocjowaliśmy warunki. Może porównać nową ofertę z historią i wskazać, gdzie jest margines do rozmowy. Możliwości w stosunku do sytuacji bez wiedzy kontekstowej rosną wykładniczo.

Bez bazy asystent AI może co najwyżej pisać drafty maili do dostawców i nie zrobi nic więcej niż darmowy chatGPT. Z bazą robi analizę, która po pierwsze zaoszczędzi masę czasu pracownikowi działu zakupów, a bardzo często wyciągnie zaawansowane wnioski, które można wykorzystać w negocjacjach z dostawcami; wskaże obszary, gdzie należy ograniczać ryzyko, pomoże obniżyć koszty zakupów itd. Wbudowany w realny kontekst procesu zakupów asystent przyniesie prawdziwe oszczędności i zredukuje ryzyko.

Piszę o tym, bo coraz częściej słyszę: „chcemy wdrożyć AI w zakupach”. I pierwsze pytanie, które wtedy zadaję: a co AI będzie analizować? Narzędzia AI działają świetnie na kontekście wiedzy, bez niego ta technologia nie daje oczekiwanych efektów.

Może warto się zastanowić czy ceny od dostawców z ostatnich dwóch lat są w jednym miejscu. Czy lead times w systemie zgadzają się z tym, co zakupowiec wie z doświadczenia. Czy istnieje opisana lista dostawców alternatywnych i awaryjnych dla każdego surowca, bez którego produkcja staje.

Jeśli nie - zacznij od bazy wiedzy. AI przyjdzie potem. I będzie miało na czym pracować.

Jeśli zakupy w Twojej firmie produkcyjnej trzymają się na wiedzy w głowie jednej osoby — napisz w komentarzu albo wyślij wiadomość. Napisz - pomogę zacząć od bazy, zanim dotkniesz jakiegokolwiek narzędzia AI.