Когда ИИ меняет правила обучения, цепочки поставок тоже должны измениться

Профессор математики Калифорнийского университета в Беркли прекратил оценивать домашние задания по правильности, придя к выводу, что инструменты ИИ теперь слишком легко помогают студентам давать высококачественные ответы. Профессор Ричард Борчердс теперь в основном ставит зачет за выполнение заданий и основывает оценки на очных экзаменах без использования устройств.

Его решение — это не просто дебаты о политике кампуса. Это предупреждение для каждой отрасли, которая зависит от квалифицированных кадров, включая глобальные цепочки поставок: когда ИИ может генерировать отточенные результаты, организации должны научиться оценивать суждения, применение и ответственность, а не только готовый ответ.

Урок для цепочек поставок

Работа в цепочке поставок долгое время вознаграждала людей, способных анализировать данные, решать операционные проблемы и составлять точные планы. ИИ меняет это уравнение, делая прогнозы, варианты маршрутов, рекомендации по запасам, сводки по поставщикам и даже проекты переговоров доступными за считанные секунды.

Но внешне правильный результат ИИ — это не то же самое, что обоснованное бизнес-решение. Планировщик может получить точный прогноз спроса, но ему все равно придется сопоставлять его с акцией, ограничениями поставщика, сбоями в работе порта, погодными явлениями или изменением поведения клиентов. Вклад человека смещается от получения ответа к его оспариванию, проверке и действиям на его основе.

От ответов к суждениям

Обеспокоенность Борчердса заключается в том, что оценка окончательных ответов больше не доказывает, что студент понимает лежащую в основе математику. Та же проблема применима и к цепочкам поставок: отполированный отчет, сгенерированный ИИ, не доказывает, что планировщик понимает риски запасов, мощности поставщиков, торговые правила или последствия дефицита.

Поэтому будущие специалисты по цепочкам поставок должны быть обучены объяснять свои рассуждения, отстаивать рекомендации, выявлять пробелы в данных и принимать решения при неполной информации. Это навыки, которые остаются ценными, когда ИИ может генерировать первый черновик, расчет или альтернативный сценарий.

Переосмыслить развитие талантов

Отрасль цепочек поставок не должна реагировать запретом ИИ или отношением к нему как к короткому пути. Вместо этого она должна перестроить обучение и работу таким образом, чтобы молодые специалисты использовали ИИ в качестве партнера по мышлению, при этом развивая ключевые операционные суждения.

Это означает выход за рамки обучения людей выполнению рутинных задач. Стажировки, живые симуляции, переговоры с поставщиками, упражнения по реагированию на сбои и реальные операционные проекты могут показать, способен ли молодой специалист преобразовывать анализ в ответственные действия. Работодатели должны оценивать, как кандидаты формулируют проблемы, оспаривают рекомендации ИИ, сотрудничают между отделами и объясняют компромиссы, лежащие в основе решения.

Защитить обучение на начальном уровне

Gartner сообщает, что 55% руководителей цепочек поставок ожидают, что агентный ИИ снизит потребность в найме на начальные должности, в то время как 51% ожидают перехода к надзору за ИИ-агентами. В то же время 86% согласны с тем, что ИИ потребует новых процессов для развития будущих кадровых резервов.

Это создает риск: если ИИ поглотит рутинные задачи, с помощью которых когда-то обучался младший персонал, компании могут столкнуться с трудностями в развитии следующего поколения опытных планировщиков и операционных руководителей. Решение состоит в перепроектировании ролей начального уровня вокруг контролируемого принятия решений, управления исключениями, взаимодействия с поставщиками и непрерывного обучения, а не просто их устранения.

Создавать кадры, готовые к ИИ

Организации цепочек поставок должны сделать грамотность в области ИИ основной компетенцией, но определить ее широко. Недостаточно знать, как задать запрос модели; профессионалы должны понимать качество данных, ограничения модели, предвзятость, кибербезопасность, ответственность и когда человеческое суждение должно преобладать над автоматизированной рекомендацией.

Практический подход заключается в том, чтобы каждую рабочую процедуру с использованием ИИ сопровождать человеческой проверкой. Например, ИИ может выявить вероятное нарушение поставок, но планировщик должен проверить источник, оценить влияние на бизнес, проконсультироваться с затронутыми партнерами и принять решение о реагировании. Это сохраняет скорость, одновременно поддерживая ответственность.

Суть

Решение профессора из Беркли показывает, что ИИ вынуждает образование различать между получением ответа и обладанием пониманием. Глобальные цепочки поставок сталкиваются с тем же испытанием. Процветать будут те организации, которые используют ИИ для усиления человеческого суждения, перепроектируют роли на ранних этапах карьеры как возможности для обучения и развивают таланты, способные руководить сложными сетями в условиях неопределенности.

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