Pulmuone cho biết thách thức lớn nhất khi triển khai AI cho quản trị chuỗi cung ứng (SCM) không nằm ở mô hình, mà ở việc chuẩn hóa dữ liệu, xây dựng ngữ cảnh kinh doanh và nâng cấp năng lực phân tích để tác nhân AI có thể hỗ trợ vận hành thực tế.

Thông tin được Ahn Soon-sik, phụ trách mảng SCM tại Pulmuone, chia sẻ tại Snowflake Summit 26 diễn ra ở San Francisco, Mỹ. Tại sự kiện, Snowflake giới thiệu nhiều trường hợp ứng dụng AI trên nền tảng dữ liệu, trong đó Pulmuone trình bày dự án đưa AI vào quản trị chuỗi cung ứng.

Theo Snowflake, các trường hợp ứng dụng AI ở những quy trình back-end như SCM hiện vẫn chưa nhiều, không chỉ trong ngành thực phẩm mà cả trên phạm vi lĩnh vực SCM nói chung.

Sau phiên thảo luận, Ahn Soon-sik đã trao đổi thêm với báo giới Hàn Quốc về bối cảnh, quá trình triển khai, kết quả bước đầu và kế hoạch tiếp theo của dự án SCM Intelligence.

Ông cho rằng muốn đánh giá đúng dự án, trước hết cần nhìn vào đặc thù của SCM trong ngành thực phẩm. Với hàng tươi sống có hạn sử dụng ngắn, chỉ cần dự báo nhu cầu sai lệch nhẹ cũng có thể khiến tồn kho tăng mạnh. Khi đó, các phương án xử lý nhanh như giảm giá, điều chuyển hàng hoặc thậm chí tiêu hủy sẽ lập tức được đặt ra.

Khác với các ngành như điện tử hay ôtô, nơi hàng hóa có thể lưu kho lâu hơn, thực phẩm chịu tác động trực tiếp từ rủi ro hủy bỏ. Vì vậy, các quyết định trong SCM ngày càng ảnh hưởng lớn đến lợi nhuận doanh nghiệp.

Độ phức tạp còn tăng lên khi doanh nghiệp vận hành các đơn vị ở nước ngoài. Năng lực phân tích nhu cầu, đánh giá rủi ro tồn kho, lập kế hoạch cung ứng, tính toán lợi nhuận hay phân tích kịch bản thường tập trung ở trụ sở chính. Điều này khiến việc chuyển giao chuyên môn liên tục cho đội ngũ địa phương gặp nhiều hạn chế, chưa kể chênh lệch múi giờ.

Theo nhóm SCM của Pulmuone, tác nhân AI có thể là lời giải cho bài toán này. Thay vì phụ thuộc vào hỗ trợ thủ công, nhân sự tại địa phương có thể đặt câu hỏi cho hệ thống 24/7 và nhận phản hồi nhanh hơn.

Tuy nhiên, quá trình triển khai không hề đơn giản. Ahn Soon-sik cho biết phần khó nhất là làm sạch và chuẩn hóa dữ liệu. Pulmuone đã mất hơn 6 tháng để chuyển đổi và tinh chỉnh dữ liệu trong hệ thống SCM trước khi AI có thể khai thác hiệu quả.

Một trong những trở ngại lớn là cách đặt tên trường dữ liệu khác nhau giữa các hệ thống. Cùng một mã hàng, có nơi lưu dưới tên “item”, nơi khác dùng “item_code” hoặc “IMP”, thậm chí số lượng chữ số cũng không đồng nhất. Theo ông, nếu không chuẩn hóa từ đầu, cùng một câu hỏi có thể dẫn đến những câu trả lời hoàn toàn khác nhau.

Ông nhấn mạnh việc chuyển dữ liệu hiện có sang trạng thái sẵn sàng cho AI sẽ khó đạt hiệu quả nếu thiếu người am hiểu nghiệp vụ tham gia ngay từ đầu. Nhân sự này không chỉ cần hiểu ngành mà còn phải có khả năng phối hợp và giao tiếp tốt với nhiều bộ phận.

Bên cạnh dữ liệu, thiếu ngữ cảnh kinh doanh cũng là một bài toán lớn. Để AI đưa ra câu trả lời chính xác, doanh nghiệp phải chuẩn bị trước để hệ thống hiểu rõ cách tổ chức đang vận hành. Ở giai đoạn đầu, khi Pulmuone xây tác nhân AI và đưa cho các nhóm vận hành sử dụng, phản hồi phổ biến là câu trả lời chưa sát thực tế do thiếu ngữ cảnh.

Vì vậy, Pulmuone đã hệ thống hóa kiến thức SCM phổ quát, bộ thuật ngữ nội bộ và tài liệu báo cáo, sau đó xây thành một lớp tri thức. Ahn Soon-sik cho biết công ty sử dụng hệ thống quản trị tri thức dựa trên Anthropic trong nền tảng Snowflake, đồng thời tách riêng kiến thức ngành phổ dụng và kiến thức đặc thù của Pulmuone thành hai lớp để đưa vào tác nhân AI.

Theo ông, lợi thế cạnh tranh không nằm ở dự báo hoàn hảo, mà ở khả năng phản ứng nhanh và đầy đủ khi thực tế lệch khỏi kế hoạch. Phần khó không phải là kết nối các mô hình, mà là giúp tác nhân AI hiểu doanh nghiệp suy nghĩ và ra quyết định như thế nào trong bối cảnh kinh doanh cụ thể.

Một trọng tâm khác của dự án là nâng cấp cấp độ phân tích. AI không thể chỉ dừng ở việc trả lời các câu hỏi đơn giản, mà phải tạo ra đầu ra có ý nghĩa thực tế đối với kinh doanh. Vì vậy, Pulmuone đã chuyển sang hướng tích hợp trực tiếp khung phân tích vào tác nhân AI.

Ahn Soon-sik cho biết khi phát hiện tín hiệu bất thường, hệ thống sẽ phân tích theo trình tự: vấn đề phát sinh ở đâu, nguyên nhân là gì, đó là hiện tượng tạm thời hay vấn đề mang tính cấu trúc, đến từ chính sách giá ở một kênh cụ thể hay từ vòng đời sản phẩm. Chẳng hạn, nếu một SKU bị ngừng bán, tác nhân AI sẽ đưa ra các kịch bản về tác động tới lượng tồn kho còn lại, thay đổi trong lịch sản xuất, việc phân bổ lại chi phí và biến động lãi lỗ tổng thể.

Theo thử nghiệm nội bộ, kết quả phân tích AI trong SCM trùng khớp 100% với dữ liệu trên Snowflake. Công việc chuyển đổi mô hình dữ liệu cũng được rút ngắn đáng kể. Nếu trước đây quá trình này có thể mất vài tháng, Pulmuone cho biết đã hoàn tất việc chuyển đổi cho các đơn vị tại Hàn Quốc, Nhật Bản và Mỹ chỉ trong 3 tuần nhờ Coco, tác nhân AI viết mã của Snowflake.

Dự án SCM Intelligence hiện vẫn trong quá trình triển khai. Một nhiệm vụ quan trọng lúc này là nâng tỷ lệ sử dụng trong đội ngũ vận hành. Theo Ahn Soon-sik, mục tiêu trong năm nay là giúp nhân viên biết đến các chức năng hiện có và sử dụng tối đa những công cụ này.

Về dài hạn, Pulmuone định hướng phát triển tác nhân SCM theo mô hình “tự phục hồi” (self-healing), tức AI có thể tự điều chỉnh kế hoạch khi thị trường biến động.

Dù vậy, Ahn Soon-sik cho rằng ngay cả khi self-healing trở thành hiện thực, con người vẫn khó bị loại khỏi quy trình. Theo ông, trách nhiệm cuối cùng vẫn thuộc về con người. AI sẽ tiếp tục tối ưu hóa những phần việc trước đây do con người trực tiếp xử lý, nhưng không thay thế hoàn toàn vai trò ra quyết định.