Vid det här laget har nästan alla supply chain-team genomfört något slags AI-pilotprojekt: en chatbot här, ett prognosexperiment där. Den mer intressanta frågan är vad som händer efteråt: vilka av dessa experiment som faktiskt förtjänar en permanent plats i den dagliga verksamheten.
Det var fokus för en av breakout-sessionerna vid Supply Chain Innovation Forum 2026, som leddes av Rob van Ipenburg, vd för Quyntess. Där jämförde en grupp beslutsfattare inom supply chain sina erfarenheter av vad som fungerar, vad som kommer härnäst och vilka frågor de fortfarande försöker hitta svar på. Stämningen präglades av framtidstro och framåtrörelse, men också av en tydlig insikt om vad som fortfarande behöver byggas för att stödja utvecklingen.
Chatbotar och kodassistenter är nu en självklar del av arbetet för många som arbetar med inköp och kunskapsintensiva arbetsuppgifter. Nästa steg; AI-agenter som själva kan genomföra processer i flera steg, exempelvis omvandla en chattförfrågan till en färdig inköpsorder, är en annan historia.
För många användare känns agenter fortfarande något abstrakta. De diskuteras mer än de faktiskt används, och det råder ofta en bristande tydlighet kring vad dessa verktyg är och hur de kan tillämpas i det dagliga arbetet.
Många organisationer begränsar användningen av externa AI-verktyg på grund av oro kring datasäkerhet och integritet, vilket begränsar en del av de produktivitetsvinster som annars skulle kunna uppnås. Som svar på detta inför företag styrningspolicyer, avskilda eller lokalt driftade AI-miljöer samt avtalslösningar med leverantörer för att säkerställa att data inte används för att träna externa modeller.
Vissa organisationer genomför projekt för dataklassificering för att avgöra vilken information som på ett säkert sätt kan delas med AI-verktyg. Ett företag har genomfört ett sådant klassificeringsprojekt specifikt för verktyg som Copilot, medan ett annat har en intern AI-avdelning som väljer ut godkända modeller och fastställer gränser för användningen.
En idé som får allt större gehör är att bygga in AI-funktioner direkt i själva supply chain-plattformen: chattfunktioner, färdigbyggda agenter för specifika uppgifter samt möjligheten för användare att använda sina egna anpassade agenter. Tillvägagångssättet bygger på en säker miljö (Amazon Bedrock nämndes specifikt) som isolerar kunddata, kopplad via en standardiserad komponent kallad ”Model Context Protocol” (MCP). Den gör det möjligt för både interna och kundbyggda agenter att interagera med plattformsdata samtidigt som användarroller och behörigheter respekteras.
Detta fick starkt stöd, särskilt när det gäller möjligheterna inom analys. Business intelligence-dashboards är ofta för statiska för den ad hoc-baserade och utforskande analys som krävs vid grundorsaksanalys. Tekniken lanseras just nu. En begränsning som är värd att notera är att den tid det tar för agenter att genomföra komplexa uppgifter fortfarande behöver förbättras.
Ett förslag som diskuterades var att företag frivilligt skulle kunna dela anonymiserade resultat- och prestationsdata för att identifiera bredare trender, exempelvis att en leverantörs förseningar påverkar flera kunder, och jämföra prestationer utan att avslöja känsliga uppgifter som priser. Två mekanismer lyftes fram: ett badge-system, där en leverantör får ett prestationsbetyg baserat på aggregerade data och själv kan välja om det ska publiceras, samt trendjämförelser, där ett företag kan se sina egna prognostrender jämförda med utvecklingen i det bredare nätverket.
Deltagarnas syn på detta varierade. Vissa såg ett stort värde i ökad transparens och menade att en sammanslagning av den här typen av data skulle kunna hjälpa marknaden i stort att upptäcka mönster som är svåra att se från ett enskilt företags perspektiv, exempelvis att en leverantörs prestation försämras hos flera kunder samtidigt. Andra föredrog ett mer försiktigt förhållningssätt och vägde frågor kring datakvalitet och representativitet mot fördelarna. Eftersom företagen juridiskt äger sin egna data skulle all medverkan vara strikt frivillig, Ett tydligt incitament, exempelvis tillgång till finansieringsprogram inom supply chain för högpresterande leverantörer, skulle sannolikt göra det lättare att få fler företag att delta.
En MCP-anslutning lanseras så att företag kan koppla sina egna AI-agenter till plattformsdata. Fler färdigbyggda agenter utvecklas också för uppgifter som transportörsval och hantering av avvikelser. De tydligaste rekommendationerna från sessionen var att tidigt etablera policyer för AI-styrning och regler för dataklassificering, att fokusera på integrerade AI-agenter för analys och processautomation snarare än enbart chattverktyg samt att överväga frivilliga initiativ för anonymiserad datadelning där tydliga regler och ömsesidig nytta finns.
Om det ännu inte finns något tydligt svar på någon av dessa frågor kan Quyntess hjälpa till. Beroende på var er organisation befinner sig kan det exempelvis handla om:
Om du är intresserad av att lära dig mer om hur du skapar en kraftfull, sammankopplad supply chain, finns våra senaste insikter här.
För att hjälpa dig att få en djupare och bättre förståelse för våra lösningar och din supply chain har vi tagit fram ett antal detaljerade tech papers om olika ämnen.
