Sztuczna inteligencja w zakupach: Narzędzia i taktyki, które sprawdzą się w 2025 roku

Generative AI

Generatywna sztuczna inteligencja (GenAI) to rodzaj sztucznej inteligencji, która może generować dane wyjściowe, takie jak wiadomości e-mail, raporty lub całe zapytania ofertowe, w oparciu o dane, na których została przeszkolona. Stała się ona jedną z najpopularniejszych form sztucznej inteligencji w zakupach i łatwo zrozumieć dlaczego.

W zamówieniach GenAI może:

• Sporządzaj dokumenty takie jak zestawienia prac (SOW), briefy dla dostawców lub zapytania ofertowe w ciągu kilku minut.
• Podsumuj długie spotkania z dostawcami lub raporty dotyczące wydajności, aby nie musieć się w nich zagłębiać.
• Automatycznie pisz i wysyłaj wiadomości e-mail od dostawców lub aktualizacje statusu.
• Pomagają organizować i oznaczać dane w celu późniejszej łatwiejszej analizy.

Zasadniczo GenAI zajmuje się pisaniem i przetwarzaniem danych, pozwalając zespołom skupić się bardziej na pracy strategicznej.

Uczenie maszynowe

Uczenie maszynowe (ML) uczy się na podstawie przeszłych trendów, aby dostrzec wzorce i przewidywać, co może się wydarzyć w przyszłości. 

Zamiast sortować niekończące się arkusze kalkulacyjne lub polegać na instynkcie, narzędzia ML mogą analizować wcześniejsze trendy zakupowe i wydajność dostawców, aby pomóc zespołom w szybszym podejmowaniu decyzji.

Na przykład, jeśli dostawca regularnie spóźnia się z dostawami, ML może zauważyć ten wzorzec, zanim stanie się on większym problemem. Może też oznaczyć nietypową fakturę, która nie jest zgodna z typowym zachowaniem związanym z wydatkami. Może również podjąć się żmudnej pracy kategoryzowania wydatków w setkach transakcji i wykonać ją w ciągu kilku minut. 

Im więcej danych zasila model ML, tym staje się on mądrzejszy, co oznacza, że jego spostrzeżenia z czasem stają się coraz lepsze.

Zrobotyzowana automatyzacja procesów (RPA)

RPA nie stara się być sprytne - nie ma na celu podejmowania decyzji ani odkrywania spostrzeżeń. To, co RPA robi naprawdę dobrze, to szybkie wykonywanie dużych zadań opartych na regułach w różnych systemach, bez ręcznego wprowadzania danych. 

Jako podstawowa część automatyzacji procesów biznesowych, RPA obsługuje takie czynności jak wprowadzanie danych, dopasowywanie faktur i przetwarzanie zamówień bez konieczności ręcznego wprowadzania danych.

Choć może nie brzmi to efektownie, pozbycie się tych rutynowych zadań oznacza, że zespoły mogą skupić się na bardziej strategicznych elementach zaopatrzenia. Chodzi o to, aby wszystko przebiegało sprawniej i było mniej zależne od ręcznego wprowadzania danych.

Przetwarzanie języka naturalnego (NLP)

NLP pomaga komputerom zrozumieć i zrozumieć ludzki język - co jest pomocne w przypadku treści tekstowych, takich jak umowy, e-maile lub odpowiedzi RFP.

W kontekście zamówień narzędzia NLP mogą:

• Wyciąganie ważnych warunków z umów
• Analizuj opinie dostawców lub recenzje online pod kątem tonu i nastrojów.
• Wyodrębnianie kluczowych informacji z faktur lub paragonów i przekształcanie ich w ustrukturyzowane dane.
• Pomoc w zasilaniu chatbotów, które odpowiadają na typowe pytania dotyczące zakupów

NLP jest często wbudowane w platformy, takie jak oprogramowanie do analizy wydatków i systemy przetwarzania dokumentów. Zespoły mogą również korzystać z interfejsów API, takich jak AWS Comprehend lub Google Cloud Natural Language, aby podłączyć je do swoich przepływów pracy. 

Choć koncepcja ta może wydawać się skomplikowana, jej zastosowanie jest często tak proste, jak włączenie funkcji w narzędziach już używanych przez zespoły.

Sztuczna inteligencja agentowa

Sztuczna inteligencja agentowa to najnowsza technologia na rynku. 

Sztuczna inteligencja agentowa odnosi się do systemów, które mogą autonomicznie planować, podejmować działania i dostosowywać się w oparciu o cele lub zmieniające się warunki, bez konieczności wykonywania instrukcji krok po kroku dla każdego zadania. 

Tymczasem agenci AI w zaopatrzeniu wykraczają poza zwykłe wysyłanie alertów. Mogą symulować wpływ zmiany dostawcy na koszty lub oś czasu, a nawet inicjować kolejne kroki, takie jak przygotowanie zamówienia zakupu lub aktualizacja rejestrów dostawców. 

Odblokowuje to agentowe przepływy pracy AI: dynamiczne procesy, w których agenci AI nie tylko ujawniają spostrzeżenia, ale także podejmują działania następcze w różnych systemach. Na przykład agent może wykryć ryzyko braku zapasów, symulować wpływ alternatywnych dostawców i zainicjować zamówienie zakupu w jednym skoordynowanym przepływie.

Po podłączeniu do odpowiednich danych i narzędzi - takich jak bazy danych dostawców lub narzędzia do zarządzania zapasami - agenci ci mogą działać półautonomicznie w ramach określonych parametrów, pomagając zespołom działać szybciej przy mniejszej koordynacji ręcznej.

Usprawnienie przepływu pracy

Narzędzia AI, takie jak RPA i silniki przepływu pracy oparte na ML, usprawniają powtarzalne zadania na dużą skalę, uwalniając zespoły, które mogą skupić się na pracy strategicznej.

RPA może na przykład automatycznie wypełniać formularze zapotrzebowań, pobierając dane z systemów katalogowych, weryfikować dane dostawców w oparciu o dane podstawowe i kierować żądania do odpowiednich osób zatwierdzających w oparciu o centrum kosztów, limity wydatków i pilność, a wszystko to bez udziału człowieka.

Minimalizacja błędów

Im bardziej ręczny jest proces, tym bardziej prawdopodobne jest, że coś zostanie pominięte, zwłaszcza pod presją. 

Sztuczna inteligencja pomaga, wprowadzając walidację w czasie rzeczywistym i wykrywanie anomalii w całym przepływie pracy. 

Wyobraź sobie, że przesyłasz fakturę, która nie jest zgodna z oryginalnym zamówieniem. Zamiast wyłapywać to podczas ręcznego przeglądu, model uczenia maszynowego natychmiast sygnalizuje rozbieżność. 

Niezależnie od tego, czy chodzi o wykrywanie zduplikowanych wpisów, czy oznaczanie czegoś, co nie wygląda do końca dobrze, sztuczna inteligencja zapewnia spójność i dokładność w pracy, którą łatwo zepsuć, gdy zespoły działają szybko.

Redukcja kosztów

Sztuczna inteligencja obniża koszty nie tylko poprzez automatyzację powtarzalnych zadań, ale także poprzez usprawnienie procesu decyzyjnego i identyfikację ukrytych nieefektywności. 

Na przykład, agenci AI mogą obliczyć koszty i korzyści wcześniejszej zapłaty dostawcy w zamian za 2% zniżki, a następnie automatycznie wyświetlić najlepsze możliwości. 

Organizacje korzystające ze sztucznej inteligencji do zaawansowanej analizy wydatków osiągnęły do 10% całkowitych oszczędności kosztów dzięki zaostrzeniu strategii zaopatrzenia i ograniczeniu wycieku wartości.

Skalowanie bez bolesnego wzrostu

Wraz ze wzrostem skali operacji zakupowych rośnie złożoność i ilość danych, ale sztuczna inteligencja pomaga zespołom zarządzać obiema tymi kwestiami bez zwiększania zatrudnienia. 

Od automatyzacji konsolidacji danych po usprawnienie analizy umów i widoczności wydatków, sztuczna inteligencja umożliwia inteligentniejszy rozwój przy mniejszym bólu związanym z rozwojem.

Przewidywanie ryzyka

Zakupy były z natury reaktywne. Sztuczna inteligencja odwraca to, dając zespołom wczesne sygnały ostrzegawcze i zalecenia, zanim sprawy pójdą na bok.

Takie przewidywanie staje się coraz ważniejsze. W rzeczywistości 70% liderów ds. zakupów wymienia rosnące ryzyko związane z dostawcami jako główny powód do niepokoju, a sztuczna inteligencja staje się ich narzędziem.

Modele sztucznej inteligencji skanują wewnętrzne dane (takie jak kwestie dostaw i zgodność z umowami) wraz z sygnałami zewnętrznymi (oceny kredytowe, ratingi ESG, wiadomości), aby generować bieżące oceny ryzyka i pomagać zespołom działać przed eskalacją problemów.

1. Inteligentniejsze prognozowanie i kontrola kosztów

Uczenie maszynowe pomaga zespołom prognozować popyt, ucząc się na podstawie wcześniejszych wzorców zakupów i wydajności dostawców. Może przewidzieć, kiedy należy zmienić zamówienie i ile kupić, biorąc pod uwagę takie rzeczy jak opóźnienia, zmiany cen, a nawet czynniki zewnętrzne, takie jak pogoda.

Algorytmy uczenia maszynowego analizują duże ilości historycznych danych zakupowych i danych zewnętrznych, takich jak ceny towarów, opóźnienia w wysyłce, inflacja, a nawet prognozy pogody. Razem tworzy to model, który może przewidzieć przyszłe potrzeby zakupowe, często aż do poziomu SKU.

Przykładowo, nagłe opóźnienie portu nakłada się na gwałtowny wzrost popytu na określone materiały opakowaniowe. Model ML może wykryć pojawiający się wzorzec, zanim stanie się on oczywisty i zalecić wcześniejsze zamówienie lub zmianę dostawcy.

Modele ML śledzą również dane wejściowe w czasie rzeczywistym, takie jak zmiany cen rynkowych. Jeśli koszty surowców zaczną rosnąć, system może zasugerować renegocjację umów lub przyspieszenie zakupów w celu zablokowania niższych stawek.

Prognozowanie to umożliwia zespołom

• Unikaj nadmiernego lub niedostatecznego zamawiania.
• Optymalizacja kosztów utrzymywania zapasów.
• Dostosuj strategie zaopatrzenia, zanim problemy wpłyną na operacje.
• Podejmuj decyzje budżetowe na podstawie aktualnych i praktycznych informacji.

2. Automatyzacja zadań związanych z pozyskiwaniem i danymi

Ręczne zadania, takie jak wyszukiwanie dostawców, generowanie zapytań ofertowych i wprowadzanie danych, pochłaniają dużo czasu. 

Sztuczna inteligencja pomaga usprawnić te zadania, pobierając profile dostawców z wielu źródeł, automatycznie wypełniając szablony zapytań ofertowych i synchronizując kluczowe dane między systemami bez konieczności ręcznego wprowadzania. W ten sposób zespoły zakupowe mogą skrócić czas cyklu i przekierować swoją uwagę na bardziej strategiczne zadania, takie jak poprawa relacji z dostawcami lub analiza wydajności. 

Grupa MTN stworzyła platformę o nazwie Procurement Cockpit, która pobiera dane zakupowe z całej organizacji. Zamiast żonglować różnymi systemami lub szukać informacji, ich zespoły uzyskują przejrzysty widok w czasie rzeczywistym na działania związane z zaopatrzeniem, wydajność dostawców i wydatki.

To sprytny sposób na utrzymanie porządku i oszczędność czasu. I to się opłaciło: Wykorzystanie automatyzacji opartej na sztucznej inteligencji przez MTN przyniosło im uznanie w branży.

3. Usprawnienie zamówień zakupu

Spójrzmy prawdzie w oczy. Ręczne zarządzanie zamówieniami jest powolne, podatne na błędy i po prostu żmudne. 

Agenci AI mogą zautomatyzować kluczowe etapy w całym procesie zaopatrzenia - od tworzenia zamówień po śledzenie przesyłek i obsługę wyjątków. Zamiast tylko oznaczać problemy, podejmują działania, takie jak ponowne zamawianie od dostawców rezerwowych lub eskalowanie opóźnień do przeglądu.

Przykładowo, po przesłaniu żądania zakupu agent AI może sprawdzić je pod kątem zatwierdzonych dostawców i cen oraz automatycznie wypełnić zamówienie. Następnie wysyła zamówienie i aktualizuje harmonogramy dostaw. 

W przypadku konfliktu, takiego jak kwestia czasu realizacji, może zasugerować alternatywy w oparciu o dane z przeszłości. Pulpity nawigacyjne na bieżąco informują interesariuszy, a system automatycznie dopasowuje faktury i paragony, oznaczając wszelkie rozbieżności do przeglądu.

4. Asystenci AI dla zespołów zakupowych

Asystenci AI w zakupach to narzędzia, które wspierają zespoły, przejmując rutynowe, czasochłonne zadania. Współpracują z istniejącymi systemami, aby przyspieszyć podejmowanie decyzji i zmniejszyć ręczny wysiłek w codziennych procesach.

Nie zastąpią one ludzkiej wiedzy, ale asystenci AI zdecydowanie pomagają zespołom pracować szybciej i mądrzej.

Zycus oferuje Merlin Intake, asystenta AI, który pomaga użytkownikom tworzyć i śledzić żądania zakupu. Prowadzi użytkowników przez proces zakupu i odpowiada na pytania po drodze, zmniejszając liczbę zwrotów.

5. Inteligentna analiza wydatków

Zespoły zakupowe często mają trudności ze zrozumieniem, gdzie trafiają pieniądze, zwłaszcza w przypadku danych rozproszonych w systemach ERP i P2P. Gdy dane są rozproszone w systemach ERP i P2P, zrozumienie, gdzie trafia każdy dolar, może być trudne.

Narzędzia AI mogą automatycznie oczyszczać i klasyfikować dane, dając zespołom ujednolicony, dokładny obraz wydatków. Algorytmy uczenia maszynowego wykrywają anomalie i odkrywają możliwości oszczędności, których tradycyjne narzędzia często nie dostrzegają.

Sztuczna inteligencja może na przykład identyfikować powtarzające się zakupy od wielu dostawców, które można skonsolidować w celu uzyskania rabatów ilościowych, lub podkreślać nietypowe skoki wydatków w danej kategorii, które wymagają przeglądu.

Ten poziom wglądu pomaga zespołom:

• Lepsza widoczność wydatków w różnych kategoriach i u różnych dostawców
• Wykrywanie niezgodnych lub niestandardowych wydatków
• Identyfikacja możliwości sprzedaży pakietowej lub renegocjacji
• Podejmowanie bardziej świadomych decyzji dotyczących budżetowania i zaopatrzenia

6. Zarządzanie ryzykiem dostawcy

Ryzyko związane z dostawcami jest coraz większym problemem, a sztuczna inteligencja sprawia, że zarządzanie nim jest bardziej proaktywne niż kiedykolwiek wcześniej.

Modele uczenia maszynowego stale skanują wewnętrzne sygnały, takie jak naruszenia umów i rozbieżności w fakturach, wraz z zewnętrznymi wskaźnikami, takimi jak oceny kredytowe, ratingi ESG, wydarzenia geopolityczne i wiadomości globalne.

Sztuczna inteligencja następnie syntetyzuje to w wyniki ryzyka w czasie rzeczywistym, umożliwiając zespołom zakupowym ustalanie priorytetów dostawców w oparciu o ekspozycję i niezawodność. Niektóre narzędzia mogą nawet symulować scenariusze zakłóceń łańcucha dostaw, aby kierować strategiami ograniczania ryzyka.

Na przykład platforma AI firmy Resilinc pozwala firmom przewidywać potencjalne opóźnienia poprzez analizę czynników takich jak wydajność dostawców i wydarzenia zewnętrzne. Korzystając z platformy Resilinc, firmy mogą przewidywać zakłócenia, takie jak tajfun w Chinach, przed ich wystąpieniem. System ostrzega zespoły z wyprzedzeniem, umożliwiając im przekierowanie przesyłek i uniknięcie potencjalnej utraty przychodów.

7. Wywiad kontraktowy

Umowy zakupowe zawierają wiele krytycznych informacji, ale ich ręczne przeglądanie i zarządzanie nimi jest czasochłonne.

Narzędzia NLP, takie jak agenci LLM , mogą na przykład wyodrębnić kluczowe warunki, takie jak klauzule płatności i umowy SLA, z tysięcy umów i zmapować je do ram zgodności.

Załóżmy, że Twój zespół musi przejrzeć 500 umów z dostawcami przed końcem roku. Zamiast przeczesywać każdą z nich ręcznie, system sztucznej inteligencji skanuje dokumenty w ciągu kilku minut, oznacza umowy z wygasającymi warunkami, podkreśla te, w których brakuje klauzul ochrony danych i grupuje podobne umowy w celu łatwiejszego przeglądu. 

8. Dynamiczne dopasowywanie dostawców

Znalezienie odpowiedniego dostawcy opierało się w dużej mierze na statycznych listach dostawców lub ręcznych badaniach. Sztuczna inteligencja zmienia ten stan rzeczy, rekomendując dostawców na podstawie historii wydajności, certyfikatów, cen i bieżących możliwości.

Korzystając z uczenia maszynowego, system ocenia zarówno ustrukturyzowane, jak i nieustrukturyzowane dane, aby zasugerować najbardziej odpowiednich dostawców dla określonych potrzeb lub regionu. 

Zespoły zakupowe mogą teraz

• Szybsze tworzenie listy idealnych dostawców
• Pozyskiwanie od dostawców spełniających cele w zakresie jakości, kosztów i ESG.
• Skrócenie czasu wdrażania i poprawa elastyczności pozyskiwania zasobów

1. Wyznacz jasne cele

Nie używaj sztucznej inteligencji tylko dlatego, że brzmi innowacyjnie. Wiedz dokładnie, jaki problem próbujesz rozwiązać.

Czy chcesz zautomatyzować zamówienia zakupu? Poprawić klasyfikację wydatków? Przewidzieć ryzyko związane z dostawami?

Każdy z tych celów wymaga innych narzędzi, modeli danych i integracji. Na przykład automatyzacja zamówień zakupu może oznaczać wykorzystanie RPA, podczas gdy poprawa prognozowania może opierać się na ML. 

Bez jasnego celu ryzykujesz zbudowanie drogiego narzędzia, które niczego nie rozwiąże. Zacznij od punktu bólu i pozwól mu kierować implementacją sztucznej inteligencji.

2. Wybierz platformę

Mając ustalone cele, znajdź narzędzia, które je wspierają. 

Zacznij od tego, czego już używasz. Wiele systemów ERP i platform zakupowych oferuje obecnie wbudowane funkcje sztucznej inteligencji, takie jak klasyfikacja wydatków lub analiza umów. Jeśli Twoje potrzeby są bardziej specyficzne, przyjrzyj się samodzielnym narzędziom, ale upewnij się, że są one dobrze zintegrowane z Twoim stack. 

Najlepszą platformą jest ta, która działa z tym, co masz i skaluje się wraz z rozwojem.

3. Przygotowanie danych

Sztuczna inteligencja jest tylko tak inteligentna, jak dane, którymi ją karmisz.

Zanim zaczniesz działać, podsumuj to, co masz. Uporządkuj nieuporządkowane dane, skonsoliduj informacje rozproszone w różnych systemach i zastosuj silne zarządzanie danymi. Oznacza to standaryzację formatów i weryfikację dokładności.

Zespoły zakupowe nie potrzebują doskonałych danych, ale potrzebują użytecznych danych. Pomyśl o tym jak o przygotowaniu gleby przed sadzeniem.

4. Ożyw swoje rozwiązanie 

Gdy cele i platforma są jasne, a dane gotowe, nadszedł czas, aby wprowadzić rozwiązanie w życie.

W większości zespołów zakupowych nie oznacza to budowania narzędzi AI od podstaw. Oznacza to współpracę z dostawcą, partnerem lub wewnętrznym zespołem IT w celu skonfigurowania i wdrożenia narzędzia, które pasuje do danego przypadku użycia.

Wybierz podejście, które pasuje do umiejętności twojego zespołu i złożoności twojego celu.

5. Włącz swój zespół

Nawet najlepsze narzędzie AI nie zapewni wyników, jeśli zespół nie wie, jak z niego korzystać lub mu nie ufa.

Po uruchomieniu rozwiązania należy poświęcić czas na wdrożenie i adaptację. Współpracuj z dostawcą lub partnerem wdrożeniowym, aby przeszkolić zespół w zakresie przypadków użycia i dostosuj szkolenie do tego, jak faktycznie pracują specjaliści ds. zakupów - a nie tylko do tego, jak działa narzędzie.

Stwórz przestrzeń do praktycznej praktyki, dokumentuj wspólne przepływy pracy i utrzymuj otwartą pętlę informacji zwrotnej. 

Technologia nie zapewni wyników, jeśli nikt nie wie, jak z niej korzystać.

6. Ocena i iteracja

Nie ustawiaj i nie zapominaj.

Śledź wpływ swoich narzędzi AI za pomocą jasnych wskaźników, takich jak skrócenie czasu cyklu, wygenerowane oszczędności lub uniknięcie incydentów ryzyka. 

Jeśli chatboty są częścią wdrożenia, przyjrzyj się analityce chatbotów, aby zrozumieć, w jaki sposób są używane, gdzie są skuteczne i gdzie mogą powodować tarcia. Mierzenie zwrotu z inwestycji w chatboty jest szczególnie ważne, aby uzasadnić inwestycję i kierować przyszłymi ulepszeniami.

I porozmawiaj z użytkownikami. Co działa? Co jest nieporęczne? 

Systemy sztucznej inteligencji z czasem stają się coraz lepsze, ale tylko wtedy, gdy są stale dopracowywane. Najlepsze implementacje ewoluują wraz z rzeczywistym użytkowaniem.

Jak kosztowne jest wdrożenie narzędzi AI w zakupach?

Koszt wdrożenia narzędzi AI w obszarze zakupów jest bardzo zróżnicowany: podstawowe funkcje AI w istniejących platformach mogą kosztować zaledwie kilkaset dollars miesięcznie, podczas gdy rozwiązania klasy korporacyjnej, takie jak zaawansowana analiza wydatków lub autonomiczni agenci, mogą kosztować nawet sześć cyfr rocznie. Całkowity koszt zależy od złożoności przepływów pracy i tego, czy przyjmujesz gotowe rozwiązania, czy też tworzysz niestandardowe możliwości AI.

Czy istnieją jakieś zagrożenia lub wady korzystania ze sztucznej inteligencji w zakupach?

Istnieje ryzyko związane z wykorzystaniem sztucznej inteligencji w zakupach, takie jak podejmowanie złych decyzji, jeśli dane są niekompletne lub niedokładne, potencjalna blokada dostawcy z zastrzeżonymi systemami sztucznej inteligencji oraz obawy dotyczące zgodności, jeśli wrażliwe dane nie są odpowiednio zabezpieczone. Ponadto, narzędzia AI mogą czasami generować błędy lub nieoczekiwane wyniki, wymagając ludzkiego nadzoru w celu wychwycenia problemów, zanim przerodzą się one w kosztowne błędy.

Czy narzędzia AI w zakupach zastępują miejsca pracy, czy tylko zmieniają sposób pracy ludzi?

Narzędzia sztucznej inteligencji w zakupach zazwyczaj nie eliminują całkowicie stanowisk pracy, ale zmieniają sposób pracy ludzi poprzez automatyzację powtarzalnych zadań, takich jak wprowadzanie danych, dopasowywanie faktur lub kategoryzacja wydatków, umożliwiając specjalistom ds. zakupów skupienie się na strategicznych działaniach, takich jak relacje z dostawcami, negocjacje i zarządzanie ryzykiem. Jednak role mogą przesunąć się w kierunku bardziej analitycznych lub technicznych umiejętności, ponieważ sztuczna inteligencja staje się osadzona w codziennych przepływach pracy.

Czy małe firmy mogą czerpać korzyści ze sztucznej inteligencji w zakupach, czy jest ona przeznaczona głównie dla dużych przedsiębiorstw?

Małe firmy mogą bezwzględnie skorzystać ze sztucznej inteligencji w obszarze zakupów, zwłaszcza dzięki przystępnym cenowo narzędziom SaaS, które oferują funkcje takie jak automatyczne przetwarzanie dokumentów, dopasowywanie dostawców lub podstawowa analiza wydatków bez dużych inwestycji z góry. Podczas gdy duże przedsiębiorstwa często wdrażają bardziej złożone, niestandardowe rozwiązania AI, mniejsze firmy mogą nadal osiągnąć znaczną oszczędność czasu i lepsze podejmowanie decyzji dzięki lżejszym, opartym na chmurze narzędziom AI.

Jakich umiejętności potrzebują zespoły zakupowe do pracy z narzędziami AI?

Zespoły zakupowe niekoniecznie muszą być programistami, aby pracować z narzędziami AI, ale potrzebują umiejętności obsługi danych, aby zrozumieć, jak działają modele AI i zidentyfikować problemy związane z jakością danych. Znajomość narzędzi analitycznych i wygoda korzystania z platform cyfrowych są kluczowe, podobnie jak umiejętność współpracy z działem IT w celu zintegrowania rozwiązań AI z przepływami pracy w obszarze zakupów.