Strategická transformace tvorby hodnoty: Jak umělá inteligence zásadně mění prostředí nákupu

Koncepční základ: Mezi reaktivními procesy a strategickou tvorbou hodnoty

Moderní obchodní administrativa často vnímá pojmy jako zadávání veřejných zakázek a nákup jako synonyma, přestože se zásadně liší ve svém účelu, načasování a dopadu na ziskovost společnosti. Toto konceptuální sjednocování vede k systematickým ztrátám efektivity, které exponenciálně rostou, pokud společnosti nedokážou využít transformační potenciál umělé inteligence.

Nákup je strategický, nepřetržitý proces zahrnující celý hodnotový řetězec, od počátečního posouzení potřeb přes analýzu trhu, identifikaci dodavatelů a vyjednávání smluv až po řízení dlouhodobých vztahů s dodavateli. Je to nástroj řízení zaměřený na zajištění dlouhodobé bezpečnosti dodávek, optimalizaci celkových nákladů na vlastnictví a maximalizaci hodnoty společnosti. Nákup není izolován od firemních cílů, ale spíše strategickou pákou, která ovlivňuje 50 až 70 procent celkových nákladů společnosti.

Nákup je naproti tomu provozně-transakční složkou tohoto procesu. Zaměřuje se na konkrétní, často krátkodobou realizaci jednotlivých nákupů, které již byly připraveny prostřednictvím nákupu. Operativní nákup zahrnuje zadávání objednávek, řízení dodávek, sledování dodacích termínů, kontrolu kvality při převzetí zboží a platby dodavatelům. Zatímco nákup strategicky klade otázku: „Které dlouhodobé vztahy s dodavateli optimalizují naši hodnotu?“, operativní nákup se ptá: „Jak zajistím, aby toto zboží dorazilo včas, ve správné kvalitě a množství?“ To je zásadní, nejen sémantický rozdíl.

Smluvní zadávání veřejných zakázek představuje specializovanou funkci v širším kontextu strategického zadávání veřejných zakázek. Jedná se o strukturovaný proces, kterým společnost systematicky identifikuje, hodnotí a vybírá potenciální dodavatele pro konkrétní kategorii nebo projekt. Na rozdíl od reaktivního operativního zadávání veřejných zakázek se smluvní zadávání veřejných zakázek řídí proaktivním, analytickým přístupem: prohledává trhy, hodnotí nabídky podle předem definovaných kritérií, vyjednává smlouvy a tím vytváří základ pro optimální obchodní vztahy. Tento proces se často označuje jako proces „od zdroje k platbě“ neboli sourcing a tvoří most mezi strategickým plánováním a operativní realizací.

Model duálního procesu: Procure-to-Pay jako integrující páteř

Moderní nákup je strukturován tzv. modelem „od nákupu k platbě“ (P2P), který prolíná strategické i operační aspekty. Proces P2P sahá od počátečního posouzení potřeb a vytvoření poptávky přes výběr dodavatele, objednávání, příjem zboží a kontrolu kvality až po ověření faktur a nakonec uvolnění platby. Tato komplexní perspektiva odhaluje klíčové dilema: Zatímco strategický nákup se zaměřuje na dlouhodobé plánování a zmírňování rizik, operativní nákup vzkvétá na okamžité efektivitě a rutině.

Tento dualismus vede v praxi ke klasické neefektivitě známé jako nekonvenční nákup. Nekonvenční nákup popisuje fenomén, kdy jednotlivá oddělení nebo zaměstnanci zadávají objednávky mimo zavedené procesy řízené nákupním oddělením. K tomu obvykle dochází ze tří důvodů: Zaprvé proto, že formální procesy zadávání zakázek jsou vnímány jako příliš složité nebo časově náročné; zadruhé proto, že naléhavost vyžaduje rychlou akci; a zatřetí proto, že zaměstnanci nejsou spokojeni s plánovanými dodavateli nebo podmínkami.

Důsledky zdaleka nejsou triviální. Společnosti ztrácejí až 15 procent dodatečných nákladů v důsledku nekonsolidovaných nákupů, které pramení z více zdrojů: vyšší nákupní ceny v důsledku menších množství, jelikož objemy nejsou konsolidovány; nevyužité cenové výhody plynoucí ze strategických rámcových smluv; a značné procesní náklady vzniklé v důsledku manuální registrace nových dodavatelů, správy roztříštěné dodavatelské základny a dodatečné účetní práce. Paradoxně se problém sám o sobě posiluje: čím složitější je oficiální organizace zadávání veřejných zakázek, tím je pravděpodobnější, že se uživatelé uchýlí k neformálním kanálům, což následně zhoršuje složitost a neprůhlednost.

Základ operačních rozdílů: Časová perspektiva, cíle a kompetence

Strategické zadávání veřejných zakázek funguje s plánovacím horizontem, který sahá do několika let. Jeho úkoly zahrnují systematickou analýzu trhu (Kteří dodavatelé na trhu existují a za jakých podmínek?), prognózování poptávky (Co budeme potřebovat v příštích dvou až pěti letech?), hodnocení dodavatelů podle vícerozměrných kritérií (nejen cena, ale také kvalita, spolehlivost, finanční stabilita, inovační síla, udržitelnost, geopolitická a compliance rizika), vyjednávání smluv s cílem vytvořit oboustranně výhodné situace, zmírňování rizik prostřednictvím diverzifikace a alternativních zdrojů a průběžné sledování výkonnosti a optimalizaci vztahů s dodavateli.

Operativní nákup je naproti tomu každodenní proces s časovým horizontem dnů až týdnů. Staví na strukturách již zavedených v oblasti zadávání veřejných zakázek (schválení dodavatelé, rámcové smlouvy, katalogy) a zaměřuje se na efektivitu realizace: Jak lze objednávky zpracovávat rychle, přesně a nákladově efektivně? Jak lze zajistit, aby byla zpoždění dodávek okamžitě identifikována a eskalována? Jak lze faktury zpracovávat rychle a správně bez chyb vedoucích ke zpoždění plateb nebo sporům s dodavateli?

Toto rozlišení není pouze akademickým cvičením. Definuje kvalifikační profily zúčastněných jednotlivců. Strategický nákupčí je manažer, analytik a diplomat v jednom – musí provádět průzkum trhu, vyjednávat, analyzovat scénáře a předvídat rizika. Provozní nákupčí na druhou stranu musí zajistit plynulý průběh procesů, rychle identifikovat problémy, správně provozovat systémy a činit rozhodnutí založená na datech a předem definovaných kritériích. Tyto různé profily požadavků nejsou v mnoha společnostech systematicky rozlišovány, což vede k tomu, že strategické pozice jsou obsazovány administrativně orientovanými jednotlivci, nebo naopak.

Získávání objednávek jako specializované rozhraní: identifikace zdroje a návrh smluv

Získávání objednávek je proces operacionalizace strategických cílů. Začíná důkladnou analýzou potřeb: Co přesně je požadováno (specifikace, standardy kvality, množství, datum dodání)? Následuje analýza trhu a průzkum dodavatelů, často podpořený zprávami z oboru, veletrhy, online databázemi a síťovými efekty. Potenciální dodavatelé jsou hodnoceni ve strukturovaném procesu, který uplatňuje standardizovaná kritéria pro zajištění objektivity a srovnatelnosti.

Dalším krokem je získání cenových nabídek, obvykle prostřednictvím žádosti o nabídku (RFP), žádosti o cenovou nabídku (RFQ) nebo žádosti o informace (RFI). Po těchto žádostech následuje podrobná analýza cenové nabídky, která zkoumá nejen ceny, ale také dodací možnosti, platební podmínky, záruky a smluvní doložky. Vyjednávání smlouvy je pak klíčovým okamžikem, kdy kupující a dodavatel vyvažují své pozice a dosáhnou dohody, která bude dlouhodobě udržitelná.

Klíčovým konceptem v oblasti zadávání veřejných zakázek je zohlednění celkových nákladů na vlastnictví (TCO). To znamená zohlednění nejen kupní ceny, ale všech nákladů v průběhu celého životního cyklu produktu: nákladů na pořízení, nákladů na dopravu, nákladů na skladování, nákladů souvisejících s problémy s kvalitou, nákladů na údržbu a servis a nákladů na likvidaci. Levnější dodavatel se může rychle ukázat jako nákladný, pokud jeho produkty mají vyšší míru vad nebo se rychleji opotřebovávají. Naopak zdánlivě dražší dodavatel může být nákladově efektivnější, pokud jeho kvalita a spolehlivost vedou k menšímu počtu prostojů ve výrobě a menšímu počtu oprav.

Vlna digitalizace: Od elektronického zadávání veřejných zakázek k zadávání veřejných zakázek řízenému inteligencí

Digitální transformace zadávání veřejných zakázek začala konceptem elektronického zadávání veřejných zakázek, tj. elektronického zpracování procesů zadávání veřejných zakázek. Namísto papíru, faxů a ručního zadávání dat byly procesy digitalizovány prostřednictvím online portálů, katalogů a objednávkových systémů. První generace systémů elektronického zadávání veřejných zakázek nabízela zvýšení efektivity snížením změn médií a potenciálních chyb a také transparentnost prostřednictvím centralizované správy dodavatelů, smluv a historie objednávek.

Další vlnou je vlna integrace. Moderní platformy pro elektronické zadávání veřejných zakázek jsou bezproblémově propojeny se systémy plánování podnikových zdrojů (ERP), obvykle prostřednictvím standardizovaných rozhraní, jako je EDI (Electronic Data Interchange) nebo OCI (Open Catalog Interface). Tato integrace znamená, že se zákazník přihlásí do systému ERP, zadá objednávku a ta je automaticky přenesena do platformy pro elektronické zadávání veřejných zakázek – bez ručního dvojitého zadávání nebo přerušení médií. Naopak potvrzení o příjmu zboží a fakturační data se automaticky synchronizují zpět do systému ERP, kde se párují s původními objednávkami (tzv. trojcestné párování: objednávka vs. dodací list vs. faktura).

Tato integrační perspektiva má revoluční důsledek: umožňuje úplnou automatizaci rutinních procesů. Robot (ve smyslu robotické automatizace procesů, RPA) dokáže přečíst fakturu (pomocí optického rozpoznávání znaků, OCR), porovnat ji s objednávkou a dokladem o zboží, automaticky uvolnit platbu v případě shody a automaticky zahájit eskalaci v případě nesrovnalostí. To snižuje manuální úsilí při zpracování faktur až o 40 procent v nepřímém nákupu a snižuje náklady na propustnost na objednávku až o 76 procent.

Nejnovější vlnou je vlna Intelligence, která integruje umělou inteligenci do všech úrovní zadávání veřejných zakázek – ne jako náhradu za lidské rozhodovatele, ale jako doplňujícího partnera, který vylepšuje lidské schopnosti.

Umělá inteligence jako transformátor: Deset kritických oblastí použití

1. Předpovídání poptávky a optimalizace zásob

Tradiční prognózy poptávky jsou založeny na historických průměrech, sezónních vzorcích nebo expertních odhadech. Systémy založené na umělé inteligenci kombinují historická data o prodeji s externími faktory, jako jsou tržní trendy, povětrnostní podmínky, svátky, ekonomické ukazatele a dokonce i signály ze sociálních médií. Modely strojového učení (zejména hluboké učení a gradientní boosting) rozpoznávají složité vzorce, které by lidští analytici přehlédli. Výsledkem jsou až o 30 procent přesnější prognózy poptávky.

To má přímý dopad na strukturu nákladů. Přesnější prognózy vedou k optimálním objemům objednávek – ne příliš velkým (což vede k nákladům na skladování a vázání kapitálu), ne příliš malým (což vede k vyprodání zásob a výpadkům výroby). Středně velká společnost může optimalizovanými prognózami poptávky snížit své zásoby o 15–25 procent a zároveň zvýšit dostupnost a dodací kapacitu.

2. Analýza výdajů a skrytý potenciál úspor

Analýza výdajů znamená, že systém umělé inteligence kategorizuje, analyzuje a vizualizuje všechny výdaje společnosti. Typická společnost utratí miliony za suroviny, vybavení, IT, cestování, kancelářské potřeby a služby. Tyto výdaje jsou rozloženy mezi stovky nebo tisíce dodavatelů, jsou fragmentovány mezi různé měny, oddělení a ERP systémy.

Lidští kupující nedokážou tuto složitost mentálně zpracovat. Systém s umělou inteligencí však čte strukturovaná i nestrukturovaná data ze všech těchto zdrojů, standardizuje je a kategorizuje podle produktových skupin a poté odhaluje skryté vzorce. Například zjistí, že IT oddělení již zaplatilo 500 000 eur za licence na softwarové menu, zatímco marketingové oddělení pořizuje stejný software samostatně a za identické licence platí 300 000 eur – jednoduše proto, že ani jedno oddělení nevědělo, že to druhé již vyjednalo lepší podmínky.

Systémy umělé inteligence dokáží také identifikovat duplicitní dodavatele: Společnost může spolupracovat s 50 různými dopravními společnostmi, přestože trhu dominuje 10 korporací. Jakákoli fragmentace snižuje kupní sílu. Spend Analytics dokáže konsolidovat dodavatelskou základnu až o 80 procent, což díky množstevním slevám a vylepšeným smluvním podmínkám vede k úsporám 18–25 procent u dříve fragmentovaných produktových skupin.

3. Inteligentní výběr dodavatele prostřednictvím profilování pomocí umělé inteligence

Tradiční výběr dodavatele je časově náročný a často subjektivní proces. Výzva k nabídkám (RFP) se napíše, zašle 10–20 dodavatelům a nabídky se manuálně porovnají – na základě ceny a případně i na základě dostupných informací o spolehlivosti a kvalitě dodávek. Celý proces obvykle trvá 3–6 týdnů.

Systémy pro výběr dodavatelů založené na umělé inteligenci tuto práci automatizují a paralelizují. Shromažďují data ze stovek veřejných i soukromých zdrojů: firemních databází, výročních zpráv, úvěrových ratingů, certifikací, oborových adresářů, zpravodajských archivů a dokonce i profilů na sociálních sítích. Poté sestaví 360stupňový profil každého potenciálního dodavatele, který zahrnuje nejen finanční stabilitu, ale i výrobní kapacity, systémy kontroly kvality, inovační schopnosti, výkonnost v oblasti ESG (environmentální, sociální a správní), historii spolehlivosti dodávek, rizika neplacení a geopolitická rizika.

Systém umělé inteligence dokáže provést tuto analýzu pro 100–1000 potenciálních dodavatelů paralelně, a to za 2–4 ​​dny namísto 3–6 týdnů. Výsledkem je výrazně širší pokrytí trhu, objektivnější hodnocení (protože logika rozhodování je transparentní a není ovlivněna osobními předsudky ani síťovými efekty) a vyšší pravděpodobnost, že bude skutečně vybrána nejlepší kombinace ceny, kvality, spolehlivosti a rizika.

4. Vyjednávání založená na datech a Negotiation Copilot

Nákupní jednání jsou tradičně charakterizována asymetrickými informacemi: Dodavatel zná svou nákladovou strukturu a tržní pozici lépe než kupující. Například dodavatel by mohl tvrdit, že jeho náklady na suroviny vzrostly o 12 procent, a proto je nutné zvýšit cenu – je to ale skutečně pravda? Kupující by mohl mít pochybnosti, ale bez konkrétních údajů je těžké je vyvrátit.

Systémy umělé inteligence zásadně mění tuto dynamiku. Model odhadovaných nákladů založený na umělé inteligenci rozděluje strukturu nákladů produktu nebo služby na její složky: suroviny, mzdy ve výrobě, režijní náklady, logistiku a ziskovou marži. Systém přistupuje k živým datům: cenám komoditních burz, mzdovým indexům pro různé země, indexům přepravy a benchmarkům v odvětví. Výsledkem je objektivní odhad, kolik by produkt měl stát.

Pokud pak dodavatel požaduje zvýšení ceny o 12 procent, může kupující argumentovat daty: Ceny surovin vzrostly podle indexu akciového trhu o 8 procent, růst mezd ve vaší zemi je 3 procenta, což dohromady činí asi 6–7 procent, nikoli 12 procent. Proč tato dodatečná přirážka? Tento argument je přesný a založený na faktech, nikoli na anekdotách.

Ještě inovativnější jsou Negotiation Copilots – systémy s umělou inteligencí, které fungují jako interaktivní vyjednávací kouč. Nákupčí si může se systémem zahrát scénář, než vstoupí do samotného vyjednávání. Pokud požaduji snížení ceny o 8 procent, jak pravděpodobně dodavatel zareaguje? Systém simuluje dialog na základě historických dat vyjednávání, aplikuje psychologii vyjednávání (například teorii ukotvení nebo Harvardskou vyjednávací techniku) a dává kupujícímu konkrétní tipy: Dodavatel pravděpodobně nadnese omezení objemu. Zde je protiargument, který můžete použít…

Tato příprava založená na datech mění rovnováhu sil v jednáních. Studie ukazují, že dobře připravená jednání vedou k lepším podmínkám – v průměru o 15–20 procent lepším cenám za podobnou kvalitu.

5. Řízení rizik dodavatelů prostřednictvím prediktivní analytiky

Klasickým problémem v dodavatelských řetězcích je neočekávané narušení dodávek: Dodavatel se dostane do finančních potíží a náhle zastaví dodávky. Nebo se stane obětí přírodní katastrofy, kybernetického útoku či geopolitické události. Společnost, která čelí selhání dodavatele bez varování, utrpí obrovské náklady v důsledku prostojů ve výrobě.

Systémy pro řízení rizik dodavatelů založené na umělé inteligenci nepřetržitě monitorují stovky zdrojů dat: finanční výkonnost (trendy v rozvaze, solventnost, úvěrové hodnocení), provozní metriky (spolehlivost dodávek, zpoždění dodávek, stížnosti na kvalitu, míra využití kapacit) a externí události (přírodní katastrofy, války, sankce, kybernetické útoky, regulační změny, volatilita směnných kurzů). Systém detekuje slabé signály – například, že dodavatel v posledních dvou čtvrtletích stále častěji zpožďuje platby nebo že se zpoždění dodávek stala častějšími.

Dobře trénovaný model umělé inteligence dokáže předvídat rizika selhání dodavatelů 6–12 měsíců dopředu – výrazně dříve než člověk. To dává společnosti čas identifikovat alternativní dodavatele, připravit smlouvy a vypracovat strategii přechodu. Proaktivní akce namísto reaktivní krize – to je transformační výhoda.

Řízení rizik dodavatelského řetězce na úrovni dopravy také zažívá revoluci díky umělé inteligenci. Systémy analyzují satelitní snímky, aby detekovaly dopravní zácpy nebo zablokované přístavy. Čtou zprávy, aby identifikovaly přírodní katastrofy nebo geopolitické krize. Kombinují tato data v reálném čase s konkrétními dodacími trasami společnosti a vydávají varování, když je určitá trasa ovlivněna. Tato včasná detekce umožňuje aktivovat alternativní trasy dříve, než dojde ke kritickým zpožděním.

6. Automatizace administrativních rutin pomocí RPA a kognitivní automatizace

Významná část pracovní doby v nákupních odděleních se věnuje manuálním, pravidelně se opakujícím úkonům: skenování faktur a jejich zadávání do systémů, porovnávání objednávek s dodacími listy, vyjednávání cen C-dílů (nízkohodnotných provozních zdrojů), registrace dodavatelů v databázích a zasílání objednávek do různých nákladových středisek.

Robotická automatizace procesů (RPA) může tyto úkoly automatizovat. RPA bot dokáže:

• Získejte příchozí fakturu ve formátu PDF nebo e-mailem.
• Extrahujte text pomocí OCR (optické rozpoznávání znaků v kombinaci s umělou inteligencí): číslo faktury, datum faktury, dodavatel, částka faktury, data plateb, položky, množství.
• Porovnejte tato data se systémem ERP: Existuje objednávka, jejíž celková částka odpovídá této faktuře? Odpovídá jí příjemka zboží?
• Pokud je shoda potvrzena, automaticky se vydá uvolnění platby.
• V případě odchylky automaticky odeslat eskalaci hodnotiteli nebo komunikovat s dodavatelem.

Tato automatizace zpracování faktur může zkrátit dobu zpracování o 70–80 procent a snížit chybovost. Společnost, která zpracovává 10 000 faktur měsíčně, může díky automatizaci ušetřit 2–3 ekvivalenty plného úvazku (FTE) – to představuje významné zvýšení nákladů a efektivity.

Dalším příkladem je automatizované vyjednávání cen standardních položek. U dílů kategorie C (kancelářské potřeby, základní vybavení, kde jednotlivé nákupy dosahují hodnoty nižší než 100 EUR) není manuální vyjednávání ekonomické. Celková hodnota těchto malých nákupů je však značná. Systém umělé inteligence dokáže automaticky zasílat cenové poptávky více dodavatelům pro všechny objednávky v této kategorii, automaticky vyhodnocovat nabídky a automaticky zadávat objednávky u nejkonkurenceschopnějšího dodavatele – to vše bez lidského zásahu. Výsledkem je decentralizace rutinních rozhodnutí, která umožňuje lidské organizaci soustředit se na složité úkoly s vysokou hodnotou.

7. Dodržování předpisů a auditní stopa prostřednictvím automatizované dokumentace

Velké společnosti, zejména ve veřejném sektoru a vysoce regulovaných odvětvích (farmaceutický průmysl, letectví, finance), musí být schopny prokázat, že jejich procesy zadávání veřejných zakázek jsou transparentní a v souladu s předpisy. Audit může vyžadovat: Ukažte mi všechny kroky, které vedly k výběru tohoto dodavatele. Ukažte mi, že všechny nabídky byly zdokumentovány a vyhodnoceny podle stejných kritérií.

Systémy umělé inteligence dokáží automaticky dokumentovat každý krok procesu zadávání veřejných zakázek – kteří dodavatelé byli prozkoumáni, jaká kritéria byla použita k jejich hodnocení, jaké nabídky byly získány a jak byly porovnány, jaká rozhodnutí byla učiněna a proč. Tato komplexní dokumentace je nejen v souladu s předpisy, ale je také strategicky cenná: vytváří transparentnost, zabraňuje úplatkářství a protekci (což obojí vede k neoptimálnímu výběru dodavatelů) a vytváří auditní stopu pro případ, že by později vznikly nějaké otázky.

8. Prediktivní oceňování a tržní informace

Ceny surovin, náklady na dopravu a mzdy neustále kolísají. Společnost, která dnes nakupuje za vysoké ceny, protože nevěděla, že trh za tři týdny klesne, vynaložila skutečné náklady. Naopak, společnost také nechce objednat příliš málo, pokud je předvídatelné, že ceny porostou.

Systémy umělé inteligence dokáží předvídat cenové pohyby kombinací historických cenových řad s makroekonomickými proměnnými (úrokové sazby, směnné kurzy, indexy komodit, ceny energií), dynamikou odvětví (využití kapacit, úzká hrdla dodavatelského řetězce) a sentimentem ve zprávách. Výsledkem jsou pravděpodobnostní prognózy: Existuje 75% pravděpodobnost, že cena oceli v příštích dvou měsících klesne o 3–6 procent; s většími objednávkami počkejte, až dojde k dosažení dna. Nebo: Očekává se, že lithium zdraží o 15 procent; objednejte si nyní.

Tyto cenové predikce přímo ovlivňují načasování a množství objednávek, což umožňuje značné úspory – 5–10 procent v nestabilních kategoriích není neobvyklé.

9. Udržitelnost a integrace ESG do hodnocení dodavatelů

Regulační požadavky (směrnice EU o péči v dodavatelském řetězci, německé zákony o dodavatelském řetězci atd.) nutí společnosti k prověřování svých dodavatelských řetězců z hlediska sociálních a environmentálních rizik. Dodavatel v zemi se slabou legislativou na ochranu práce nebo vysokým rizikem korupce by mohl pro kupující společnost představovat riziko poškození reputace.

Systémy umělé inteligence mohou automaticky vyhodnocovat ESG rizika pomocí:

• Analyzujte veřejně dostupná data o dodavatelských zemích (pracovní práva, environmentální normy, indexy korupce atd.)
• Analyzujte sentiment v médiích týkající se dodavatelů (existují zprávy o pracovních sporech, znečištění životního prostředí?)
• Vyhodnoťte certifikace a audity dodavatelů.
• Prověřte smluvní ustanovení, která splňují požadavky ESG.

Takový systém dokáže automaticky klasifikovat dodavatele jako vysoce rizikové, středně rizikové nebo nízkorizikové a automaticky navrhovat kupujícímu alternativy s lepšími profily ESG. To umožňuje současně sledovat dodržování předpisů a optimalizaci podnikání – nikoli jako konflikt cílů, ale jako integrovaný cíl.

10. Generativní umělá inteligence pro dokumentaci, analýzu smluv a správu znalostí

Rozsáhlé jazykové modely (jako například GPT-4 nebo Claude) otevírají nové možnosti pro zadávání veřejných zakázek. Mohou například:

• Automaticky analyzujte smlouvy a identifikujte odchylky od standardních ustanovení.
• Automaticky překládejte nabídky do standardizovaného formátu pro zvýšení srovnatelnosti.
• Automaticky extrahovat a standardizovat faktury v různých jazycích a formátech.
• Pokyny pro zadávání veřejných zakázek by měly být psány v přirozeném jazyce (namísto kryptických pravidel), který je pro všechny uživatele snáze pochopitelný.
• Vytvořili asistenta s umělou inteligencí, který může zaměstnancům radit: Jak mám podat požadavek na dodavatele? nebo Kteří dodavatelé jsou k dispozici pro tuto produktovou skupinu?

Tyto aplikace jsou méně spektakulární než prediktivní analytika, ale snižují tření a chyby v každodenních procesech o 10–20 procent.

Získávání zakázek a organizační rozvoj - Obrázek: Xpert.Digital

Xpert.Digital podporuje firmy v této komplexní transformaci, ať už se jedná o budování moderní funkce pro získávání objednávek od základů, nebo o optimalizaci stávajících procesů. Díky komplexním znalostem v oblasti marketingu, prodeje, analýzy dat, digitální transformace a organizačního rozvoje provedeme vaši společnost strategickým repozicionováním. Náš přístup je holistický: Nejenže optimalizujeme procesy, ale také rozvíjíme lidi a organizační kulturu nezbytné pro dosažení udržitelného a měřitelného úspěchu.

Více o tom zde:

• Moderní akvizice objednávek již není izolovanou prodejní funkcí

Celkové ekonomické účetnictví: Odkud pocházejí úspory?

Výše popsané aplikace umělé inteligence vedou k měřitelným úsporám nákladů na několika úrovních:

Přímé náklady na pořízení

Díky lepšímu vyjednávání, optimalizaci množství, načasování a konkurenci mezi dodavateli lze náklady na zboží snížit o 5–15 procent v závislosti na odvětví a vyspělosti implementace umělé inteligence. Ve společnosti s rozpočtem na zadávání veřejných zakázek ve výši 500 milionů eur se to promítá do úspor ve výši 25–75 milionů eur ročně.

náklady na soudní spory

Automatizace ověřování faktur, zpracování objednávek a správy dodavatelů snižuje administrativní náklady o 30–47 procent. Společnost s nákupním oddělením o 50 lidech by mohla ušetřit 15–24 osoboroků – při průměrných celkových nákladech (včetně režijních nákladů) přibližně 100 000 EUR na osobu to odpovídá 1,5–2,4 milionu EUR.

Náklady na skladování

Přesnější prognózy poptávky snižují stav zásob o 15–25 procent. Při průměrné hodnotě zásob 50 milionů eur a nákladech na skladování přibližně 25 procent ročně (úroky, pojištění, opotřebení, prostor) se tím ušetří 1,9–3,1 milionu eur.

Předcházení narušení dodavatelského řetězce

Včasné odhalení rizik u dodavatelů a problémů v dodavatelském řetězci zabraňuje výpadkům výroby a nouzovým nákupům za prémiové ceny. Hodnotu této prevence je obtížné vyčíslit, ale u kritických komponent může jediný den prostoje ve výrobě stát miliony.

Zlepšení dynamiky cash flow

Rychlejší zpracování faktur, přesnější data plateb a identifikace slev za včasnou platbu snižují náklady na likviditu. V průměru může společnost platit o 2–5 dní dříve, pokud je zpracování faktur automatizované – to má dopad na provozní kapitál.

Konzervativní celkový výpočet pro středně velkou společnost (rozpočet na zadávání veřejných zakázek 500 milionů eur, nákupní organizace s 50 zaměstnanci) by tedy mohl vypadat takto:

• Přímé úspory nákladů: 25–50 milionů eur
• Úspora nákladů v soudních sporech: 1,5–2,4 milionu eur
• Snížení nákladů na skladování: 1,9–3,1 milionu eur
• Zlepšení provozního kapitálu: 2–5 milionů eur

Celkem: 30–60 milionů eur ročně, z čehož přibližně 15–25 milionů eur lze připsat změně chování (lepší vyjednávání, optimální výběr dodavatelů) a 15–35 milionů eur automatizaci a zvýšení efektivity.

Náklady na implementaci celofiremního systému nákupu s podporou umělé inteligence se obvykle pohybují v rozmezí 2–5 milionů EUR (nákup softwaru, integrace se stávajícími systémy, příprava dat, řízení změn, školení). Návratnost investice je proto dosažena během 1–3 měsíců – což je pro digitalizační projekt mimořádně vysoká návratnost investic.

Problém s myšlením: Od tradiční optimalizace k datově řízené inteligenci

Navzdory těmto působivým číslům je zavádění umělé inteligence v oblasti nákupu a zadávání zakázek v mnoha německých společnostech stále omezené. Nedávná studie Německé asociace pro řízení dodavatelského řetězce, zadávání zakázek a logistiku (BME) ukazuje, že ačkoli 7 z 10 nákupních manažerů plánuje investovat do umělé inteligence, mnozí stále nevědí, jak postupovat.

Výzvy nejsou primárně technologické povahy, ale spíše organizační a kulturní:

Složitost integrace

Systémy umělé inteligence musí komunikovat s desítkami stávajících systémů – ERP, účetnictví, CRM, řízení zásob, HR atd. Tato integrace je technicky proveditelná, ale časově náročná a náchylná k chybám. Mnoho nákupních organizací není ochotno zásadně měnit stávající systémy.

Problémy s kvalitou dat

Umělá inteligence je jen tak dobrá, jako data, na kterých je trénována. Mnoho společností má fragmentované datové sady, chybějící informace a nekonzistentní kategorizace. Než lze umělou inteligenci implementovat, je často nutné strávit několik měsíců zlepšováním kvality dat. To je nepohodlné a nevýrazné – přesný opak toho, co chce management slyšet.

Dovednosti a kvalifikace

Systém zadávání veřejných zakázek s využitím umělé inteligence vyžaduje nejen odborníky na nákup, ale také datové vědce, datové inženýry, manažery změn a optimalizátory procesů. Mnoho středně velkých firem si nemůže tyto odborníky rozvíjet ani zaměstnávat interně. Musí zapojit externí partnery (konzultanty, poskytovatele softwaru), což zvyšuje náklady a vytváří závislost.

Skepticismus vůči změně

Lidé v nákupních odděleních často strávili desítky let učením se své práce. Umělá inteligence, která se rozhoduje automaticky, je vnímána jako hrozba – nikoli jako nástroj, který ji podporuje. Řízení změn je složité a vyžaduje skutečné přeuspořádání rolí a dovedností.

Příliš vysoká očekávání od automatizace

Mnoho lidí s rozhodovací pravomocí očekává, že umělá inteligence automatizuje celý proces zadávání veřejných zakázek a zbaví lidi potřebných. To je nereálné. Umělá inteligence funguje nejlépe, když funguje jako rozšířená inteligence – pomáhá lidem s rozhodovací pravomocí, ale nenahrazuje je. Dobrý nákupčí budoucnosti nebude tradičním vyjednavačem, ale datovým analytikem a stratégem, který interpretuje poznatky ze strojů a převádí je do obchodních strategií.

Architektura budoucnosti: Od hybridního zadávání veřejných zakázek k autonomní inteligenci

Společnosti, které dnes implementují umělou inteligenci v oblasti zadávání veřejných zakázek, obvykle procházejí následujícími fázemi:

Fáze 1 (měsíce 1–6): Rychlé výhry a pilotní projekty

Automatizace ověřování faktur, analýza výdajů pro konkrétní skupinu produktů, bodování dodavatelů pro výběr nových dodavatelů. Tyto pilotní projekty jsou nízkorizikové, mají vysokou míru úspěšnosti a budují interní důvěryhodnost a dynamiku.

Fáze 2 (6.–18. měsíc): Hlubší integrace

Zavádí se předpovídání poptávky, školení podpory vyjednávání a zavádí se řízení rizik u dodavatelů. Hlavní tým se učí pracovat se systémy umělé inteligence a přizpůsobuje procesy.

Fáze 3 (18.–36. měsíc): Plná orchestrace

Všechny oblasti nákupu jsou vybaveny podporou umělé inteligence. Nákupčí pracují v rozšířeném prostředí, kde mají přístup k datům, prognózám, doporučením a automatizovaným možnostem. Konečná rozhodnutí však činí oni.

Fáze 4 (od 36. měsíce): Autonomní inteligence v rámci limitů

U standardizovaných kategorií s nízkým rizikem jsou rozhodnutí plně automatizována. U komplexních, strategických kategorií je inteligence vylepšena, ale rozhodnutí stále činí lidé. Systém se neustále učí a stává se přesnějším.

Dobře implementované systémy umělé inteligence nevedou k hromadnému propouštění, ale spíše k reorganizaci organizace nákupu. Nákupní oddělení s 50 lidmi se může zmenšit na 40, ale těchto 40 lidí jsou odborníci – datoví vědci, stratégové, vyjednavači – nikoli administrátoři. Hodnota organizace na osobu se výrazně zvyšuje a tito lidé se mohou ujmout strategičtějších, pro podnikání kritických úkolů.

Strategická potřeba diferenciace

Zásadní chybou, které se mnoho společností dopouští, je koncepční spojování nákupu a zadávání veřejných zakázek. Dokud jsou tyto dvě funkce považovány za stejné, není možné je správně organizovat nebo optimalizovat. Zadávání veřejných zakázek je strategie, nákup je operace. Vyžadují různé dovednosti, různé metriky, různé systémy – a různé role pro umělou inteligenci.

Nákup je místem, kde se tyto dva světy setkávají. Je to strukturovaný proces, v němž se strategické cíle (optimální partnerství s dodavateli) operacionalizují (výběr, vyjednávání, uzavření smlouvy). Právě zde může umělá inteligence přinést největší hodnotu: zrychluje analýzu, zlepšuje objektivitu rozhodnutí a umožňuje mnohem konzistentnější dosahování strategických cílů.

Společnosti, které tomuto rozdílu rozumí a odpovídajícím způsobem využívají umělou inteligenci, sníží své náklady na zadávání veřejných zakázek o 10–20 procent, zvýší odolnost svého dodavatelského řetězce, zlepší kvalitu nákupu a transformují své nákupní organizace na generátory strategické hodnoty. Společnosti, které s umělou inteligencí zacházejí jako s obecným nástrojem, aniž by tyto koncepční rozdíly dělaly, budou zklamány – a umělá inteligence se stane drahým, nedostatečně využívaným systémem, který bude po několika letech demontován.

Budoucnost zadávání veřejných zakázek nepatří těm, kteří implementují umělou inteligenci nejrychleji, ale těm, kteří nejlépe chápou, kde má umělá inteligence největší hodnotu – a kde lidé zůstávají nepostradatelní.

B2B obchodní platformy - Strategické plánování a podpora s Xpert.Digital - Obrázek: Xpert.Digital

Obchodní platformy typu Business-to-business (B2B) se staly kritickou součástí dynamiky globálního obchodu, a tedy hnací silou pro export a globální ekonomický rozvoj. Tyto platformy nabízejí významné výhody společnostem všech velikostí, zejména malým a středním podnikům – malým a středním podnikům – které jsou často považovány za páteř německé ekonomiky. Ve světě, kde se digitální technologie stávají stále důležitějšími, je schopnost přizpůsobit se a integrovat zásadní pro úspěch v globální konkurenci.

Více o tom zde:

• Obchodní platformy Business-to-Business (B2B).

☑️ Naším obchodním jazykem je angličtina nebo němčina

☑️ NOVINKA: Korespondence ve vašem národním jazyce!

Konrad Wolfenstein

Rád vám a mému týmu posloužím jako osobní poradce.

Kontaktovat mě můžete vyplněním kontaktního formuláře nebo mi jednoduše zavolejte na číslo +49 89 89 674 804 (Mnichov) . Moje e-mailová adresa je: wolfenstein ∂ xpert.digital

Těším se na náš společný projekt.

☑️ Podpora MSP ve strategii, poradenství, plánování a implementaci

☑️ Vytvoření nebo přeladění digitální strategie a digitalizace

☑️ Rozšíření a optimalizace mezinárodních prodejních procesů

☑️ Globální a digitální obchodní platformy B2B

☑️ Pioneer Business Development / Marketing / PR / Veletrhy