Apabila AI Mengubah Peraturan Pembelajaran, Rantaian Bekalan Juga Mesti Berubah

Seorang profesor matematik Universiti California, Berkeley telah berhenti menilai kerja rumah untuk ketepatan selepas membuat kesimpulan bahawa alat AI kini boleh membantu pelajar menghasilkan jawapan berkualiti tinggi dengan terlalu mudah. Profesor Richard Borcherds kini memberikan kredit terutamanya untuk menyiapkan tugasan dan mendasarkan gred pada peperiksaan secara bersemuka, tanpa peranti.

Keputusannya lebih daripada perdebatan dasar kampus. Ia adalah amaran untuk setiap industri yang bergantung kepada bakat mahir—termasuk rantaian bekalan global: apabila AI boleh menjana output yang digilap, organisasi mesti belajar untuk menilai pertimbangan, aplikasi, dan akauntabiliti, bukan hanya jawapan yang siap.

Pengajaran untuk rantaian bekalan

Kerja rantaian bekalan telah lama memberi ganjaran kepada individu yang boleh menganalisis data, menyelesaikan masalah operasi, dan menghasilkan rancangan yang tepat. AI mengubah persamaan itu dengan menyediakan ramalan, pilihan laluan, cadangan inventori, ringkasan pembekal, dan juga draf rundingan dalam beberapa saat.

Tetapi output AI yang kelihatan betul tidak sama dengan keputusan perniagaan yang kukuh. Seorang perancang mungkin menerima ramalan permintaan yang tepat, namun masih perlu mencabarnya terhadap promosi, kekangan pembekal, gangguan pelabuhan, kejadian cuaca, atau perubahan tingkah laku pelanggan. Sumbangan manusia beralih daripada menghasilkan jawapan kepada mempersoalkan, mengesahkan, dan bertindak atasnya.

Daripada jawapan kepada pertimbangan

Kebimbangan Borcherds ialah penilaian jawapan akhir tidak lagi membuktikan bahawa seorang pelajar memahami matematik asas. Isu yang sama berlaku kepada rantaian bekalan: laporan yang dihasilkan AI yang digilap tidak membuktikan bahawa seorang perancang memahami risiko inventori, kapasiti pembekal, peraturan perdagangan, atau akibat kehabisan stok.

Bakat rantaian bekalan masa depan oleh itu mesti dilatih untuk menjelaskan penaakulan mereka, mempertahankan cadangan, mengenal pasti jurang data, dan membuat keputusan apabila maklumat tidak lengkap. Ini adalah kemahiran yang kekal berharga apabila AI boleh menjana draf pertama, pengiraan, atau senario alternatif.

Memikirkan semula pembangunan bakat

Industri rantaian bekalan tidak seharusnya bertindak balas dengan mengharamkan AI atau menganggapnya sebagai jalan pintas. Sebaliknya, ia harus mereka bentuk semula pembelajaran dan kerja supaya profesional muda menggunakan AI sebagai rakan berfikir sambil masih membangunkan pertimbangan operasi teras.

Ini bermakna bergerak melangkaui melatih orang untuk menyelesaikan tugas rutin. Perantisan, simulasi langsung, rundingan pembekal, latihan tindak balas gangguan, dan projek operasi sebenar boleh menunjukkan sama ada seorang profesional muda boleh menterjemahkan analisis kepada tindakan yang bertanggungjawab. Majikan harus menilai bagaimana calon membingkai masalah, mencabar cadangan AI, bekerjasama merentasi fungsi, dan menjelaskan pertukaran di sebalik keputusan.

Melindungi pembelajaran peringkat permulaan

Gartner melaporkan bahawa 55% pemimpin rantaian bekalan menjangkakan AI agentik akan mengurangkan keperluan untuk pengambilan pekerja peringkat permulaan, manakala 51% menjangkakan peralihan ke arah menyelia ejen AI. Pada masa yang sama, 86% bersetuju bahawa AI akan memerlukan proses baharu untuk membangunkan saluran bakat masa depan.

Ini menimbulkan risiko: jika AI menyerap tugas rutin yang pernah dipelajari oleh kakitangan junior, syarikat mungkin bergelut untuk membangunkan generasi perancang dan pemimpin operasi berpengalaman seterusnya. Penyelesaiannya adalah untuk mereka bentuk semula peranan peringkat permulaan di sekitar pembuatan keputusan yang diselia, pengurusan pengecualian, penglibatan pembekal, dan pembelajaran berterusan—bukan sekadar menghapuskannya.

Membangunkan bakat sedia AI

Organisasi rantaian bekalan harus menjadikan literasi AI sebagai keupayaan teras, tetapi mentakrifkannya secara meluas. Tidak cukup hanya tahu cara memberi arahan kepada model; profesional mesti memahami kualiti data, batasan model, bias, keselamatan siber, akauntabiliti, dan bila pertimbangan manusia harus mengatasi cadangan automatik.

Pendekatan praktikal adalah untuk menggandingkan setiap aliran kerja yang didayakan AI dengan titik semak manusia. Contohnya, AI mungkin mengenal pasti gangguan bekalan yang mungkin, tetapi seorang perancang mesti mengesahkan sumber, menilai impak perniagaan, berunding dengan rakan kongsi yang terjejas, dan memutuskan tindak balas. Ini mengekalkan kelajuan sambil mengekalkan akauntabiliti.

Kesimpulannya

Keputusan profesor Berkeley menunjukkan bahawa AI memaksa pendidikan untuk membezakan antara menghasilkan jawapan dan memiliki pemahaman. Rantaian bekalan global menghadapi ujian yang sama. Organisasi yang berjaya adalah mereka yang menggunakan AI untuk memperkukuh pertimbangan manusia, mereka bentuk semula peranan awal kerjaya sebagai peluang pembelajaran, dan membangunkan bakat yang mampu memimpin rangkaian kompleks melalui ketidakpastian.

Sumber: https://www.ndtv.com/world-news/california-professor-stops-grading-homework-after-spotting-students-growing-reliance-on-ai-12240518