Guia definitivo para IA em compras: Casos de uso e ferramentas

Generative AI

A IA generativa, ou GenAI, é o tipo de IA que pode gerar resultados como e-mails, relatórios ou RFPs inteiras, com base nos dados em que foi treinada. Tornou-se uma das formas mais comuns de IA em aquisições, e é fácil perceber porquê.

Na aquisição, a GenAI pode:

• Redigir documentos como Declarações de Trabalho (SOWs), resumos de fornecedores ou RFPs em minutos.
• Faça um resumo das longas reuniões com os fornecedores ou dos relatórios de desempenho para não ter de os consultar.
• Escreva e envie automaticamente e-mails de fornecedores ou actualizações de estado.
• Ajuda a organizar e a rotular os dados para facilitar a análise posterior.

Essencialmente, a GenAI trata de grande parte da escrita e da manipulação de dados, permitindo que as equipas se concentrem mais no trabalho estratégico.

Aprendizagem automática

A aprendizagem automática (ML) aprende com as tendências passadas para detetar padrões e fazer previsões sobre o que é provável que aconteça a seguir. 

Em vez de analisar folhas de cálculo intermináveis ou confiar no instinto, as ferramentas de aprendizagem automática podem analisar as tendências de compras anteriores e o desempenho dos fornecedores para ajudar as equipas a tomar decisões mais rápidas.

Por exemplo, se um fornecedor se atrasa regularmente nas entregas, o ML pode detetar esse padrão antes que se torne um problema maior. Ou pode assinalar uma fatura invulgar que não se alinhe com o comportamento típico das despesas. Também pode assumir a tarefa entediante de categorizar as despesas em centenas de transacções e concluí-la numa questão de minutos. 

Quanto mais dados são fornecidos a um modelo de ML, mais inteligente ele se torna, o que significa que os seus conhecimentos vão melhorando ao longo do tempo.

Automatização robótica de processos (RPA)

A RPA não tenta ser inteligente - não se destina a tomar decisões ou a descobrir informações. O que a RPA faz realmente bem é executar rapidamente tarefas de grande volume, baseadas em regras, em todos os sistemas, sem introdução manual. 

Como parte essencial da automatização dos processos empresariais, a RPA trata de aspectos como a introdução de dados, a correspondência de facturas e o processamento de encomendas sem necessidade de introdução manual.

Embora possa não parecer glamoroso, a eliminação dessas tarefas de rotina significa que as equipas podem concentrar-se nas partes mais estratégicas do aprovisionamento. O objetivo é tornar as coisas mais fáceis e menos dependentes de introdução manual.

Processamento de linguagem natural (PNL)

A PNL ajuda os computadores a compreenderem e a darem sentido à linguagem humana - o que é útil quando se lida com conteúdos com muito texto, como contratos, e-mails ou respostas a RFP.

No contexto dos contratos públicos, as ferramentas de PNL podem

• Retirar termos e condições importantes dos contratos
• Analisar o feedback dos fornecedores ou as críticas em linha para determinar o tom e o sentimento
• Extrair informações importantes de facturas ou recibos e transformá-las em dados estruturados
• Ajude a alimentar chatbots que respondem a perguntas comuns sobre contratos públicos

A PNL está frequentemente integrada em plataformas como o software de análise de despesas e os sistemas de processamento de documentos. As equipas também podem utilizar APIs como o AWS Comprehend ou o Google Cloud Natural Language para o ligar aos seus fluxos de trabalho. 

Embora o conceito possa parecer complexo, a sua aplicação é muitas vezes tão simples como ativar uma funcionalidade nas ferramentas que as equipas já utilizam.

IA agêntica

A IA agêntica é a mais recente tecnologia do sector. 

A IA agêntica refere-se a sistemas que podem planear, agir e adaptar-se de forma autónoma com base em objectivos ou condições variáveis, sem necessitar de instruções passo a passo para cada tarefa. 

Entretanto, os agentes de IA no aprovisionamento não se limitam a enviar alertas. Eles podem simular o impacto do custo ou do cronograma da mudança e até mesmo iniciar as próximas etapas, como redigir um pedido de compra ou atualizar os registros do fornecedor. 

Isto desbloqueia os fluxos de trabalho de IA agêntica: processos dinâmicos em que os agentes de IA não só revelam informações, como também tomam medidas de acompanhamento em todos os sistemas. Por exemplo, um agente pode detetar um risco de rutura de stock, simular o impacto de fornecedores alternativos e iniciar uma ordem de compra, tudo num fluxo coordenado.

Quando ligados aos dados e ferramentas corretos - tais como bases de dados de fornecedores ou ferramentas de gestão de inventário - estes agentes podem atuar de forma semi-autónoma dentro de parâmetros definidos, ajudando as equipas a avançar mais rapidamente com menos coordenação manual.

Simplificar os fluxos de trabalho

As ferramentas de IA, como a RPA e os motores de fluxo de trabalho orientados para o ML, simplificam as tarefas repetitivas à escala, libertando as equipas para se concentrarem no trabalho estratégico.

Por exemplo, a RPA pode preencher automaticamente formulários de requisição extraindo dados de sistemas de catálogo, validar detalhes de fornecedores em relação a dados mestre e encaminhar pedidos para os aprovadores certos com base no centro de custos, limites de gastos e urgência, tudo sem intervenção humana.

Minimizar os erros

Quanto mais manual for um processo, maior é a probabilidade de algo passar despercebido, especialmente quando se está sob pressão. 

A IA ajuda, introduzindo a validação em tempo real e a deteção de anomalias em todo o fluxo de trabalho. 

Imagine a apresentação de uma fatura que não corresponde exatamente ao pedido de compra original. Em vez de alguém ter de detetar isso durante uma revisão manual, um modelo de aprendizagem automática assinala a discrepância instantaneamente. 

Quer se trate de detetar entradas duplicadas ou de assinalar algo que não parece estar bem, a IA traz consistência e precisão ao tipo de trabalho que é fácil de estragar quando as equipas se movem rapidamente.

Reduzir os custos

A IA reduz os custos não só automatizando tarefas repetitivas, mas também melhorando a tomada de decisões e identificando ineficiências ocultas. 

Por exemplo, os agentes de IA podem calcular a relação custo-benefício de pagar antecipadamente a um fornecedor em troca de um desconto de 2% e, em seguida, apresentar automaticamente as melhores oportunidades. 

As organizações que utilizam a IA para a análise avançada de despesas realizaram até 10% de poupanças totais de custos ao reforçar as estratégias de sourcing e reduzir a fuga de valor.

Escala sem dores de crescimento

À medida que as operações de aquisição aumentam, a complexidade e o volume de dados aumentam, mas a IA ajuda as equipas a gerir ambos sem aumentar o número de funcionários. 

Desde a automatização da consolidação de dados até à simplificação da análise de contratos e da visibilidade das despesas, a IA permite um crescimento mais inteligente com menos problemas de crescimento.

Antecipar o risco

O aprovisionamento tem sido reativo por natureza. A IA inverte esta situação, dando às equipas sinais de alerta e recomendações antes que as coisas corram mal.

Esta previsão é cada vez mais essencial. De facto, 70% dos líderes de compras referem o aumento do risco dos fornecedores como uma das principais preocupações, e a IA está a tornar-se a sua ferramenta de eleição.

Os modelos de IA analisam dados internos (como problemas de entrega e cumprimento de contratos) juntamente com sinais externos (classificações de crédito, classificações ESG, notícias) para gerar classificações de risco actuais e ajudar as equipas a agir antes que os problemas aumentem.

1. Previsão e controlo de custos mais inteligentes

A aprendizagem automática ajuda as equipas a prever a procura, aprendendo com os padrões de compra anteriores e o desempenho dos fornecedores. Consegue prever quando reordenar e quanto comprar, tendo em conta aspectos como atrasos, alterações de preços e até factores externos como o clima.

Os algoritmos de ML analisam grandes volumes de dados históricos de aquisições e dados externos, como preços de mercadorias, atrasos nos envios, inflação e até previsões meteorológicas. Em conjunto, constroem um modelo que pode prever as necessidades de compras futuras, muitas vezes até ao nível da SKU.

Por exemplo, digamos que um atraso súbito no porto se sobrepõe a um aumento da procura de determinados materiais de embalagem. Um modelo de ML pode detetar o padrão emergente antes de ser óbvio e recomendar uma encomenda mais rápida ou a mudança para um fornecedor alternativo.

Os modelos de ML também acompanham os dados em tempo real, como as alterações de preços de mercado. Se os custos das matérias-primas começarem a aumentar, o sistema pode sugerir a renegociação de contratos ou a aceleração das compras para garantir taxas mais baixas.

Esta previsão permite às equipas

• Evitar encomendas excessivas ou insuficientes.
• Otimizar os custos de manutenção de stocks.
• Ajustar as estratégias de aprovisionamento antes que os problemas afectem as operações.
• Tomar decisões orçamentais com informações actualizadas e acionáveis.

2. Automatização de tarefas de sourcing e de dados

As tarefas manuais como a pesquisa de fornecedores, a criação de RFP e a introdução de dados consomem muito tempo. 

A IA ajuda a simplificar essas tarefas, extraindo perfis de fornecedores de várias fontes, preenchendo automaticamente modelos de RFP e sincronizando dados importantes entre sistemas sem entrada manual. Desta forma, as equipas de aprovisionamento podem reduzir os tempos de ciclo e redirecionar o seu foco para um trabalho mais estratégico, como melhorar as relações com os fornecedores ou analisar o desempenho. 

O MTN Group criou uma plataforma designada por Procurement Cockpit que recolhe dados de compras de toda a organização. Em vez de fazer malabarismos com diferentes sistemas ou procurar informação, as suas equipas obtêm uma visão clara e em tempo real da atividade de sourcing, do desempenho dos fornecedores e das despesas.

É uma forma inteligente de se manter organizado e poupar tempo. E valeu a pena: A utilização da automatização baseada em IA pela MTN valeu-lhe o reconhecimento do sector.

3. Racionalização das ordens de compra

Sejamos realistas. A gestão manual dos pedidos de compra é lenta, propensa a erros e simplesmente entediante. 

Os agentes de IA podem automatizar as principais etapas do fluxo de trabalho de compras - desde a criação de pedidos de compra até ao acompanhamento de envios e tratamento de excepções. Em vez de se limitarem a assinalar problemas, tomam medidas, como reordenar a partir de fornecedores de reserva ou escalar atrasos para revisão.

Por exemplo, quando é apresentado um pedido de compra, um agente de IA pode compará-lo com fornecedores e preços aprovados e preencher automaticamente o pedido de compra. Em seguida, envia a encomenda e actualiza os calendários de entrega. 

Se houver um conflito, como um problema de prazo de entrega, o sistema pode sugerir alternativas com base em dados anteriores. Os painéis de controlo mantêm as partes interessadas informadas, enquanto o sistema faz a correspondência automática entre facturas e recibos, assinalando quaisquer discrepâncias para revisão.

4. Assistentes de IA para equipas de aprovisionamento

Os assistentes de IA no aprovisionamento são ferramentas que apoiam as equipas, assumindo tarefas rotineiras e morosas. Trabalham em conjunto com os sistemas existentes para acelerar a tomada de decisões e reduzir o esforço manual nos processos quotidianos.

Não substituem os conhecimentos humanos, mas os assistentes de IA ajudam definitivamente as equipas a trabalhar mais depressa e de forma mais inteligente.

A Zycus oferece o Merlin Intake, um assistente de IA que ajuda os utilizadores a criar e acompanhar pedidos de compra. Orienta os utilizadores através do processo de compra e responde a perguntas ao longo do processo, reduzindo as idas e vindas.

5. Análise inteligente das despesas

As equipas de aprovisionamento têm muitas vezes dificuldade em perceber para onde vai o dinheiro, especialmente com dados dispersos por ERPs e sistemas P2P. Quando os dados estão dispersos pelos ERPs e sistemas P2P, pode ser difícil perceber para onde está a ir cada dólar.

As ferramentas de IA podem limpar e classificar automaticamente os dados, dando às equipas uma visão unificada e precisa das despesas. Os algoritmos de aprendizagem automática detectam anomalias e descobrem oportunidades de poupança que as ferramentas tradicionais muitas vezes não detectam.

Por exemplo, a IA pode identificar compras repetidas de vários fornecedores que podem ser consolidadas para descontos por volume ou destacar picos invulgares de despesas numa categoria que justifiquem uma revisão.

Este nível de conhecimento ajuda as equipas:

• Melhorar a visibilidade das despesas em todas as categorias e fornecedores
• Detetar despesas não conformes ou irregulares
• Identificar oportunidades de agrupamento ou renegociação
• Tomar decisões de orçamentação e aprovisionamento mais bem informadas

6. Gestão do risco do fornecedor

O risco dos fornecedores é uma preocupação crescente e a IA torna a sua gestão mais proactiva do que nunca.

Os modelos de aprendizagem automática analisam continuamente sinais internos, como violações de contratos e discrepâncias de facturas, juntamente com indicadores externos, como pontuações de crédito, classificações ESG, eventos geopolíticos e notícias globais.

A IA sintetiza isto em pontuações de risco em tempo real, permitindo que as equipas de aquisição dêem prioridade aos fornecedores com base na exposição e fiabilidade. Algumas ferramentas podem até mesmo simular cenários de interrupção da cadeia de suprimentos para orientar estratégias de mitigação.

Por exemplo, a plataforma de IA da Resilinc permite às empresas prever potenciais atrasos através da análise de factores como o desempenho dos fornecedores e eventos externos. Utilizando a plataforma da Resilinc, as empresas podem antecipar perturbações, como um tufão na China, antes de estas ocorrerem. O sistema alerta as equipas com antecedência, permitindo-lhes reencaminhar as expedições e evitar potenciais perdas de receitas.

7. Informação sobre contratos

Os contratos de aprovisionamento estão repletos de informações críticas, mas a sua revisão e gestão manuais são demoradas.

As ferramentas de PNL, como os agentes LLM , por exemplo, podem extrair termos-chave como cláusulas de pagamento e SLAs de milhares de contratos e mapeá-los para estruturas de conformidade.

Digamos que a sua equipa precisa de rever 500 contratos de fornecedores antes do final do ano. Em vez de passar a pente fino cada um deles manualmente, um sistema de IA analisa os documentos em minutos, assinala os contratos com prazos de validade a expirar, destaca os que não têm cláusulas de proteção de dados e agrupa acordos semelhantes para uma análise mais fácil. 

8. Correspondência dinâmica de fornecedores

Encontrar o fornecedor certo costumava depender muito de listas de fornecedores estáticos ou de pesquisa manual. A IA muda isso, recomendando fornecedores com base no histórico de desempenho, certificações, preços e capacidade atual.

Utilizando a aprendizagem automática, o sistema avalia dados estruturados e não estruturados para sugerir os fornecedores mais adequados para uma necessidade ou região específica. 

As equipas de aprovisionamento podem agora:

• Selecionar mais rapidamente os fornecedores ideais
• Obtenção de fornecedores alinhados com os objectivos de qualidade, custo e ESG
• Reduzir o tempo de integração e melhorar a agilidade do aprovisionamento

1. Definir objectivos claros

Não utilize a IA só porque parece inovadora. Saiba exatamente qual o problema que está a tentar resolver.

Pretende automatizar as ordens de compra? Melhorar a classificação das despesas? Prever riscos de fornecimento?

Cada um destes objectivos requer diferentes ferramentas, modelos de dados e integrações. Por exemplo, a automatização das ordens de compra pode implicar a utilização de RPA, enquanto a melhoria das previsões pode depender de ML. 

Sem um objetivo claro, arrisca-se a criar uma ferramenta dispendiosa que não resolve nada. Comece com o ponto problemático e deixe que isso guie a sua implementação de IA.

2. Escolher uma plataforma

Com os seus objectivos definidos, encontre as ferramentas que os apoiam. 

Comece pelo que já está a utilizar. Muitos ERPs e plataformas de aquisição oferecem agora funcionalidades de IA incorporadas, como a classificação de despesas ou a análise de contratos. Se as suas necessidades forem mais específicas, procure ferramentas autónomas, mas certifique-se de que se integram perfeitamente na sua stack. 

A melhor plataforma é aquela que funciona com o que tem e se adapta ao seu crescimento.

3. Prepare os seus dados

A IA é tão inteligente quanto os dados que lhe são fornecidos.

Antes de começar, faça um balanço do que tem. Limpe os dados desorganizados, consolide as informações dispersas pelos sistemas e aplique uma forte governação de dados. Isto significa normalizar formatos e validar a exatidão.

As equipas de aquisições não precisam de dados perfeitos, mas sim de dados utilizáveis. Pense nisto como preparar o solo antes de o plantar.

4. Dê vida à sua solução 

Quando os seus objectivos e plataforma estiverem claros e os seus dados estiverem prontos, é altura de concretizar a sua solução.

Na maioria das equipas de aprovisionamento, isto não significa criar ferramentas de IA de raiz. Significa trabalhar com um fornecedor, parceiro ou equipa interna de TI para configurar e implementar uma ferramenta que se adeqúe ao caso de utilização.

Escolha a abordagem que melhor se adapta às capacidades da sua equipa e à complexidade do seu objetivo.

5. Capacitar a sua equipa

Mesmo a melhor ferramenta de IA não produzirá resultados se a equipa não souber como utilizá-la ou não confiar nela.

Quando a solução estiver disponível, reserve tempo para a integração e adoção. Trabalhe com o fornecedor ou parceiro de implementação para formar a equipa em casos de utilização e adapte a formação à forma como os profissionais de compras trabalham realmente - e não apenas à forma como a ferramenta funciona.

Crie espaço para a prática, documente os fluxos de trabalho comuns e mantenha um ciclo de feedback aberto. 

A tecnologia não pode produzir resultados se ninguém souber como a utilizar.

6. Avaliar e repetir

Não o ponha e esqueça.

Acompanhe o impacto das suas ferramentas de IA utilizando métricas claras como a redução do tempo de ciclo, as poupanças geradas ou os incidentes de risco evitados. 

Se os chatbots fizerem parte do lançamento, analise as análises dos chatbots para compreender como estão a ser utilizados, onde são eficazes e onde podem estar a causar fricção. Medir o ROI do chatbot é especialmente importante para justificar o investimento e orientar futuras melhorias.

E fale com os seus utilizadores. O que é que está a funcionar? O que é que não funciona? 

Os sistemas de IA melhoram ao longo do tempo, mas apenas se continuarmos a aperfeiçoá-los. As melhores implementações evoluem com a utilização no mundo real.

Qual é o custo da implementação de ferramentas de IA nos contratos públicos?

O custo de implementação de ferramentas de IA no aprovisionamento varia muito: as funcionalidades de IA de nível básico nas plataformas existentes podem custar apenas algumas centenas de dollars por mês, enquanto as soluções de nível empresarial, como a análise avançada de despesas ou os agentes autónomos, podem atingir os seis dígitos por ano. A despesa total depende da complexidade dos fluxos de trabalho e da adoção de soluções prontas a utilizar ou de capacidades de IA personalizadas.

Existem riscos ou desvantagens na utilização da IA nos contratos públicos?

Existem riscos na utilização da IA nas aquisições, tais como a má tomada de decisões se os dados estiverem incompletos ou incorrectos, o potencial bloqueio de fornecedores com sistemas de IA proprietários e preocupações de conformidade se os dados sensíveis não estiverem devidamente protegidos. Além disso, as ferramentas de IA podem, por vezes, produzir erros ou resultados inesperados, exigindo supervisão humana para detetar problemas antes que se transformem em erros dispendiosos.

As ferramentas de IA no sector dos contratos públicos substituem empregos ou apenas alteram a forma como as pessoas trabalham?

As ferramentas de IA no aprovisionamento geralmente não eliminam postos de trabalho, mas alteram a forma como as pessoas trabalham, automatizando tarefas repetitivas como a introdução de dados, a correspondência de facturas ou a categorização de despesas, permitindo que os profissionais de aprovisionamento se concentrem em actividades estratégicas como relações com fornecedores, negociações e gestão de riscos. No entanto, as funções podem mudar para competências mais analíticas ou técnicas à medida que a IA se integra nos fluxos de trabalho diários.

As pequenas empresas podem beneficiar da IA nos contratos públicos, ou é sobretudo para as grandes empresas?

As pequenas empresas podem beneficiar absolutamente da IA nas aquisições, especialmente através de ferramentas SaaS acessíveis que oferecem funcionalidades como o processamento automático de documentos, a correspondência de fornecedores ou a análise básica de despesas sem grandes investimentos iniciais. Embora as grandes empresas implementem frequentemente soluções de IA mais complexas e personalizadas, as empresas mais pequenas podem conseguir poupanças de tempo significativas e uma melhor tomada de decisões com ferramentas de IA mais leves e baseadas na nuvem.

Que tipo de competências necessitam as equipas de aprovisionamento para trabalhar com ferramentas de IA?

As equipas de aprovisionamento não precisam necessariamente de ser programadores para trabalhar com ferramentas de IA, mas precisam de competências de literacia de dados para compreender como funcionam os modelos de IA e identificar problemas de qualidade dos dados. A familiaridade com as ferramentas de análise e o conforto na utilização de plataformas digitais são fundamentais, juntamente com a capacidade de colaborar com as TI para integrar soluções de IA nos fluxos de trabalho de aprovisionamento.