- Ang AI sa procurement ay nag-o-automate ng mga gawain tulad ng pag-draft ng mga RFP, pagkakategorya ng paggastos, at pagtutugma ng mga supplier, pagputol ng manu-manong trabaho at mga cycle ng oras.
- Hinuhulaan ng machine learning ang mga pagbabago sa demand at mga panganib sa supplier, na tumutulong sa mga team na kumilos nang maaga sa mga pagkaantala o pagtaas ng gastos.
- Maaaring gayahin ng Agentic AI ang mga epekto ng mga pagbabago sa supplier at mag-trigger pa ng mga susunod na hakbang tulad ng paggawa ng mga purchase order nang awtomatiko.
- Ang matagumpay na pag-adopt ng AI ay nagsisimula sa mga malinaw na layunin, malinis na data, at pagpili ng mga tool na isinasama sa mga kasalukuyang sistema ng pagkuha.
Akala ko noon, ang pagkuha ay tungkol lamang sa pakikipagnegosasyon sa mga deal at pamamahala ng mga supplier hanggang sa tag-araw akong nag-uuri ng mga invoice at nag-a-update ng mga spreadsheet. Sabihin na nating hindi gaanong kaakit-akit kaysa sa inaasahan.
Lumalabas, hindi ako nag-iisa sa karanasang iyon. Ayon sa KPMG, kakayanin ng automation ang higit sa kalahati ng mga gawaing karaniwang ginagawa sa pagkuha .
Sa buong industriya, tinutulungan ng AI ang mga team na magtrabaho nang mas matalino at may mas kaunting sakit ng ulo at walang pagbubukod ang pagkuha. Ang mga real-world na halimbawa ng mga ahente ng AI ay nagkakaroon na ng epekto, mula sa pag-automate ng mga nakagawiang pag-apruba hanggang sa paglabas ng mga insight mula sa data ng supplier.
Pinaghiwa-hiwalay ng artikulong ito ang mga uri ng AI na ginagamit sa pagkuha, mga kaso ng paggamit, at kung paano mo ito maisasabuhay, lahat nang hindi nangangailangan ng degree sa computer science.
Ano ang AI para sa pagkuha?
Ang ibig sabihin ng AI para sa pagkuha ay paggamit ng artificial intelligence para i-automate ang mga nakagawiang gawain, tumuklas ng mga insight mula sa data, at suportahan ang mas mabilis, mas matalinong mga desisyon sa buong proseso ng pagkuha.
Ang mga teknolohiya ng AI ay nagbibigay-daan sa mga propesyonal sa pagkuha na gumawa ng mga desisyon na batay sa data at pamahalaan ang mga supplier nang mas epektibo, sa huli ay humahantong sa mas mabilis, mas tumpak na mga proseso ng pagkuha.
Paano Ginagamit ang Iba't Ibang Uri ng AI sa Pagbili
Generative AI
Ang Generative AI, o GenAI, ay ang uri ng AI na maaaring makabuo ng output tulad ng mga email, ulat, o buong RFP, batay sa data kung saan ito sinanay. Ito ay naging isa sa mga pinakakaraniwang anyo ng AI sa pagkuha, at madaling makita kung bakit.
Sa pagkuha, ang GenAI ay maaaring:
- Mag-draft ng mga dokumento tulad ng Statements of Work (SOWs), supplier brief, o RFP sa ilang minuto.
- Ibuod ang mahahabang pagpupulong ng supplier o mga ulat ng pagganap upang hindi mo na kailangang pag-aralan ang mga ito.
- Awtomatikong magsulat at magpadala ng mga email ng vendor o status update.
- Tumulong na ayusin at lagyan ng label ang data para sa mas madaling pagsusuri sa susunod.
Sa esensya, pinangangasiwaan ng GenAI ang karamihan sa pagsusulat at pag-aaway ng data, na nagbibigay-daan sa mga koponan na higit na tumuon sa madiskarteng gawain.
Pag-aaral ng makina
Natututo ang machine learning (ML) mula sa mga nakaraang trend upang makita ang mga pattern at gumawa ng mga hula tungkol sa kung ano ang posibleng susunod na mangyayari.
Sa halip na pagbukud-bukurin ang mga walang katapusang spreadsheet o umasa sa gut instinct, maaaring suriin ng mga tool ng ML ang mga nakaraang trend sa pagbili at performance ng supplier para matulungan ang mga team na gumawa ng mas mabilis na mga desisyon.
Halimbawa, kung ang isang supplier ay regular na nahuhuli sa mga paghahatid, maaaring makita ng ML ang pattern na iyon bago ito maging isang mas malaking isyu. O maaari itong mag-flag ng hindi pangkaraniwang invoice na hindi tumutugma sa karaniwang gawi sa paggastos. Maaari din itong tumagal sa nakakapagod na trabaho ng pag-uuri ng paggastos sa daan-daang mga transaksyon, at kumpletuhin ito sa loob ng ilang minuto.
Kung mas maraming data ang ibinibigay sa isang modelo ng ML, mas magiging matalino ito, na nangangahulugang patuloy na gumaganda ang mga insight nito sa paglipas ng panahon.
Robotic process automation (RPA)
Hindi sinusubukan ng RPA na maging matalino – hindi ito naglalayong gumawa ng mga desisyon o mag-alis ng mga insight. Ang talagang mahusay na ginagawa ng RPA ay mabilis na nagsasagawa ng mataas na dami, mga gawaing nakabatay sa mga panuntunan sa mga system, nang walang manu-manong input.
Bilang isang pangunahing bahagi ng pag-automate ng proseso ng negosyo , pinangangasiwaan ng RPA ang mga bagay tulad ng pagpasok ng data, pagtutugma ng invoice, at pagproseso ng order nang hindi nangangailangan ng manu-manong input.
Bagama't hindi ito mukhang kaakit-akit, ang pag-alis sa mga nakagawiang trabahong iyon ay nangangahulugan na ang mga koponan ay maaaring tumuon sa mas madiskarteng bahagi ng pagkuha. Ito ay tungkol sa paggawa ng mga bagay na mas maayos at hindi gaanong nakadepende sa manual input.
Natural language processing (NLP)
Tinutulungan ng NLP ang mga computer na maunawaan at maunawaan ang wika ng tao – na nakakatulong kapag nakikitungo sa nilalamang mabigat sa text tulad ng mga kontrata, email, o mga tugon sa RFP.
Sa konteksto ng pagkuha, ang mga tool ng NLP ay maaaring:
- Hilahin ang mahahalagang tuntunin at kundisyon mula sa mga kontrata
- Suriin ang feedback ng supplier o mga online na review para sa tono at damdamin
- I-extract ang pangunahing impormasyon mula sa mga invoice o resibo at gawin itong structured data
- Tumulong sa paggana ng mga chatbot na sumasagot sa mga karaniwang tanong sa pagbili
Ang NLP ay madalas na binuo sa mga platform tulad ng spend analytics software, at mga system sa pagpoproseso ng dokumento. Ang mga koponan ay maaari ding gumamit ng mga API tulad ng AWS Comprehend o Google Cloud Natural Language para isaksak ito sa kanilang mga workflow.
Bagama't maaaring mukhang kumplikado ang konsepto, ang paglalapat nito ay kadalasang kasing simple ng pagpapagana ng feature sa mga tool na ginagamit na ng mga team.
Ahente AI
Ang Agentic AI ay ang pinakabagong teknolohiya sa block.
Ang Agentic AI ay tumutukoy sa mga system na maaaring mag-isa na magplano, gumawa ng aksyon, at umangkop batay sa mga layunin o pagbabago ng mga kondisyon nang hindi nangangailangan ng sunud-sunod na mga tagubilin para sa bawat gawain.
Samantala, ang mga ahente ng AI sa pagkuha ay higit pa sa pagpapadala ng mga alerto. Maaari nilang gayahin ang gastos o timeline na epekto ng paglipat, at kahit na simulan ang mga susunod na hakbang, tulad ng pag-draft ng purchase order o pag-update ng mga tala ng supplier.
Binubuksan nito ang mga ahente ng AI workflow : mga dynamic na proseso kung saan ang mga ahente ng AI ay hindi lamang nagpapakita ng mga insight, ngunit nagsasagawa rin ng mga follow-up na aksyon sa mga system. Halimbawa, ang isang ahente ay maaaring makakita ng isang panganib sa stockout, gayahin ang epekto ng mga alternatibong supplier, at magpasimula ng isang purchase order lahat sa isang coordinated flow.
Kapag nakakonekta sa tamang data at mga tool – gaya ng mga database ng supplier o mga tool sa pamamahala ng imbentaryo – ang mga ahenteng ito ay maaaring kumilos nang semi-autonomously sa loob ng tinukoy na mga parameter, na tumutulong sa mga team na kumilos nang mas mabilis na may kaunting manu-manong koordinasyon.
Mga Benepisyo ng AI sa Pagkuha
I-streamline ang Mga Daloy ng Trabaho
Ang mga tool ng AI tulad ng RPA at ML-driven na workflow engine ay nag-streamline ng mga paulit-ulit na gawain sa sukat, na nagpapalaya sa mga team na tumuon sa madiskarteng gawain.
Halimbawa, maaaring i-autofill ng RPA ang mga form ng paghiling sa pamamagitan ng pagkuha ng data mula sa mga system ng catalog, pagpapatunay ng mga detalye ng supplier laban sa master data, at pagruta ng mga kahilingan sa mga tamang approver batay sa cost center, mga limitasyon sa paggastos, at pagkamadalian, lahat nang walang input ng tao.
I-minimize ang mga Error
Kung mas manu-mano ang proseso, mas malamang na may napalampas, lalo na kapag nasa ilalim ng presyon.
Tumutulong ang AI sa pamamagitan ng pagpapakilala ng real-time na pagpapatunay at pagtuklas ng anomalya sa buong daloy ng trabaho.
Isipin na magsumite ng invoice na hindi masyadong tumutugma sa orihinal na PO. Sa halip na kailangang mahuli iyon ng isang tao sa panahon ng manu-manong pagsusuri, ang isang machine learning na modelo ay agad na nag-flag ng pagkakaiba.
Pagtuklas man ito ng mga duplicate na entry o pag-flag ng isang bagay na mukhang hindi tama, ang AI ay nagdudulot ng pare-pareho at katumpakan sa uri ng trabaho na madaling magulo kapag mabilis ang paggalaw ng mga team.
Bawasan ang mga Gastos
Binabawasan ng AI ang mga gastos hindi lamang sa pamamagitan ng pag-automate ng mga paulit-ulit na gawain, ngunit sa pamamagitan ng pagpapahusay sa paggawa ng desisyon at pagtukoy ng mga nakatagong inefficiencies.
Halimbawa, maaaring kalkulahin ng mga ahente ng AI ang cost-benefit ng pagbabayad ng maaga sa isang supplier bilang kapalit ng 2% na diskwento, pagkatapos ay awtomatikong ipakita ang pinakamahusay na mga pagkakataon.
Ang mga organisasyong gumagamit ng AI para sa advanced na analytics ng paggastos ay nakamit ng hanggang 10% sa kabuuang pagtitipid sa gastos sa pamamagitan ng paghihigpit sa mga diskarte sa pag-sourcing at pagbabawas ng pagtagas ng halaga.
Scale Nang Walang Lumalagong Pananakit
Habang lumalaki ang procurement operations, ang pagiging kumplikado at dami ng data ay tumataas ngunit tinutulungan ng AI ang mga team na pamahalaan ang pareho nang hindi nagdaragdag ng headcount.
Mula sa pag-automate ng pagsasama-sama ng data hanggang sa pag-streamline ng pagsusuri sa kontrata at pagpapakita ng paggastos, binibigyang-daan ng AI ang mas matalinong paglago na may mas kaunting mga sakit.
Asahan ang Panganib
Ang pagkuha ay likas na reaktibo. Binabaliktad iyon ng AI sa pamamagitan ng pagbibigay sa mga koponan ng mga palatandaan ng maagang babala at rekomendasyon bago tumagilid ang mga bagay-bagay.
Ang pananaw na ito ay lalong mahalaga. Sa katunayan, 70% ng mga pinuno sa pagkuha ang nagbabanggit ng tumataas na panganib ng supplier bilang pangunahing alalahanin , at ang AI ay nagiging kanilang go-to tool.
Ini-scan ng mga modelo ng AI ang panloob na data (tulad ng mga isyu sa paghahatid at pagsunod sa kontrata) kasama ng mga panlabas na signal (mga credit score, rating ng ESG, balita) upang makabuo ng mga kasalukuyang marka ng panganib at tulungan ang mga team na kumilos bago lumaki ang mga problema.
8 Mga Kaso ng Paggamit ng AI sa Pagbili
1. Mas Matalinong Pagtataya at Pagkontrol sa Gastos
Tinutulungan ng machine learning ang mga team na hulaan ang demand sa pamamagitan ng pag-aaral mula sa mga nakaraang pattern ng pagbili at performance ng supplier. Maaari nitong hulaan kung kailan muling mag-order at kung magkano ang bibilhin, isinasaalang-alang ang mga bagay tulad ng mga pagkaantala, pagbabago ng presyo, at maging ang mga panlabas na salik tulad ng lagay ng panahon.
Sinusuri ng mga ML algorithm ang malalaking volume ng makasaysayang data ng pagkuha at external na data tulad ng mga presyo ng bilihin, pagkaantala sa pagpapadala, inflation, at maging ang mga pagtataya ng panahon. Magkasama, bubuo ito ng isang modelo na maaaring mahulaan ang mga pangangailangan sa pagbili sa hinaharap, kadalasan hanggang sa antas ng SKU.
Halimbawa, sabihin na ang isang biglaang pagkaantala sa port ay nag-o-overlap sa isang pagtaas ng demand para sa ilang mga materyales sa packaging. Maaaring matukoy ng isang modelo ng ML ang umuusbong na pattern bago ito maging malinaw at magrekomenda ng pag-order nang mas maaga o lumipat sa isang kahaliling supplier.
Sinusubaybayan din ng mga modelo ng ML ang mga real-time na input tulad ng mga pagbabago sa presyo sa merkado. Kung magsisimulang tumaas ang mga gastos sa hilaw na materyales, maaaring magmungkahi ang system na makipag-negosasyon muli sa mga kontrata o mabilisang pagsubaybay sa mga pagbili upang mai-lock ang mas mababang mga rate.
Ang pagtataya na ito ay nagbibigay-daan sa mga koponan na:
- Iwasang mag-over-order o under-order.
- I-optimize ang mga gastos sa paghawak ng imbentaryo.
- Ayusin ang mga diskarte sa pag-sourcing bago ang mga isyu ay makaapekto sa mga operasyon.
- Gumawa ng mga desisyon sa badyet na may up-to-date, naaaksyunan na insight.
2. Automating Sourcing at Data Tasks
Ang mga manu-manong gawain tulad ng pagsasaliksik ng supplier, pagbuo ng RFP, at pagpasok ng data ay kumakain ng maraming oras.
Tinutulungan ng AI na i-streamline ang mga gawaing ito sa pamamagitan ng pagkuha ng mga profile ng supplier mula sa maraming pinagmumulan, awtomatikong pagpuno ng mga template ng RFP, at pag-sync ng pangunahing data sa mga system nang walang manu-manong pagpasok. Sa ganitong paraan, maaaring bawasan ng mga procurement team ang mga oras ng pag-ikot at i-redirect ang kanilang pagtuon sa mas madiskarteng gawain tulad ng pagpapabuti ng mga relasyon sa supplier o pagsusuri sa performance.
Ang MTN Group ay bumuo ng isang platform na tinatawag na Procurement Cockpit na kumukuha ng data ng pagkuha mula sa kanilang buong organisasyon. Sa halip na mag-juggling ng iba't ibang mga system o maghanap ng impormasyon, ang kanilang mga koponan ay makakakuha ng isang malinaw, real-time na view ng aktibidad sa pag-sourcing, pagganap ng supplier, at paggastos.
Ito ay isang matalinong paraan upang manatiling maayos at makatipid ng oras. At ito ay nagbunga: Ang paggamit ng MTN ng AI-driven na automation ay nakakuha sa kanila ng pagkilala sa industriya .
3. Pag-streamline ng mga Purchase Order
Harapin natin ito. Ang manu-manong pamamahala sa mga PO ay mabagal, madaling kapitan ng mga pagkakamali, at sadyang nakakapagod.
Maaaring i-automate ng mga ahente ng AI ang mga pangunahing hakbang sa daloy ng trabaho sa pagkuha — mula sa paggawa ng mga PO hanggang sa pagsubaybay sa mga pagpapadala at paghawak ng mga exception. Sa halip na mag-flag lang ng mga isyu, gagawa sila ng aksyon, tulad ng muling pag-order mula sa mga backup na supplier o dumaraming mga pagkaantala para sa pagsusuri.
Halimbawa, kapag nagsumite ng kahilingan sa pagbili, masusuri ito ng ahente ng AI laban sa mga aprubadong vendor at pagpepresyo at awtomatikong pupunan ang PO. Pagkatapos, ipinapadala nito ang order at ina-update ang mga iskedyul ng paghahatid.
Kung may salungatan, tulad ng isyu sa lead time, maaari itong magmungkahi ng mga alternatibo batay sa nakaraang data. Ang mga dashboard ay nagpapanatili ng kaalaman sa mga stakeholder, habang ang system ay awtomatikong tumutugma sa mga invoice at resibo, na nagba-flag ng anumang mga pagkakaiba para sa pagsusuri.
4. AI Assistants para sa Procurement Teams
Ang mga AI assistant sa procurement ay mga tool na sumusuporta sa mga team sa pamamagitan ng pagsasagawa ng mga nakagawiang gawain, nakakaubos ng oras. Gumagana ang mga ito kasama ng mga umiiral na system upang mapabilis ang paggawa ng desisyon at bawasan ang manu-manong pagsisikap sa pang-araw-araw na proseso.
Hindi nila pinapalitan ang kadalubhasaan ng tao, ngunit tiyak na tinutulungan ng mga AI assistant ang mga team na magtrabaho nang mas mabilis at mas matalino.
Nag-aalok ang Zycus ng Merlin Intake , isang AI assistant na tumutulong sa mga user na gumawa at subaybayan ang mga kahilingan sa pagbili. Ginagabayan nito ang mga user sa proseso ng pagbili at sinasagot ang mga tanong sa daan, na binabawasan ang pabalik-balik.
5. Pagsusuri ng Matalinong Paggastos
Madalas nahihirapan ang mga procurement team na maunawaan kung saan napupunta ang pera, lalo na sa mga data na nakakalat sa mga ERP at P2P system. Kapag ang data ay nakakalat sa mga ERP at P2P system, maaari itong maging isang pakikibaka upang maunawaan kung saan pupunta ang bawat dolyar.
Ang mga tool ng AI ay maaaring awtomatikong maglinis at mag-uri-uriin ang data, na nagbibigay sa mga team ng pinag-isang, tumpak na pagtingin sa paggastos. Nakikita ng mga algorithm ng machine learning ang mga anomalya at natuklasan ang mga pagkakataon sa pagtitipid na kadalasang nakakaligtaan ng mga tradisyonal na tool.
Halimbawa, maaaring tukuyin ng AI ang mga paulit-ulit na pagbili mula sa maraming vendor na maaaring pagsama-samahin para sa mga diskwento sa dami, o i-highlight ang mga hindi pangkaraniwang pagtaas sa paggastos sa loob ng isang kategoryang nangangailangan ng pagsusuri.
Ang antas ng insight na ito ay tumutulong sa mga team na:
- Pahusayin ang visibility ng paggastos sa lahat ng kategorya at mga supplier
- I-detect ang hindi sumusunod o maverick na paggastos
- Tukuyin ang mga pagkakataon sa bundling o renegotiation
- Gumawa ng mas mahusay na kaalaman sa pagbabadyet at pagkuha ng mga desisyon
6. Pamamahala sa Panganib ng Supplier
Ang panganib ng supplier ay lumalaking alalahanin at ginagawang mas maagap ng AI ang pamamahala nito kaysa dati.
Patuloy na ini-scan ng mga modelo ng machine learning ang mga panloob na signal tulad ng mga paglabag sa kontrata at mga pagkakaiba sa invoice, kasama ng mga external na indicator gaya ng mga credit score, rating ng ESG, geopolitical na kaganapan, at pandaigdigang balita.
Pagkatapos ay isi-synthesize ito ng AI sa real-time na mga marka ng peligro, na nagpapahintulot sa mga procurement team na unahin ang mga supplier batay sa pagkakalantad at pagiging maaasahan. Maaaring gayahin ng ilang tool ang mga sitwasyon ng pagkagambala sa supply chain upang gabayan ang mga diskarte sa pagpapagaan.
Halimbawa, hinahayaan ng platform ng AI ng Resilinc ang mga kumpanya na mahulaan ang mga potensyal na pagkaantala sa pamamagitan ng pagsusuri sa mga salik tulad ng performance ng supplier at mga panlabas na kaganapan. Gamit ang platform ng Resilinc, maaaring asahan ng mga kumpanya ang mga pagkagambala, tulad ng isang bagyo sa China, bago ito mangyari. Inaalertuhan ng system ang mga koponan nang maaga, na nagpapahintulot sa kanila na i-reroute ang mga pagpapadala at maiwasan ang potensyal na pagkawala ng kita.
7. Contract Intelligence
Ang mga kontrata sa pagkuha ay puno ng kritikal na impormasyon, ngunit ang manu-manong pagsusuri at pamamahala sa mga ito ay nakakaubos ng oras.
Mga tool sa NLP, tulad ng LLM ang mga ahente, halimbawa, ay maaaring kunin ang mga pangunahing termino tulad ng mga sugnay sa pagbabayad at SLA mula sa libu-libong kontrata at imapa ang mga ito sa mga balangkas ng pagsunod.
Sabihin nating kailangan ng iyong team na suriin ang 500 kontrata ng supplier bago matapos ang taon. Sa halip na manu-manong suklayin ang bawat isa, ini-scan ng AI system ang mga dokumento sa loob ng ilang minuto, ibina-flag ang mga kontrata na may mga mag-e-expire na termino, itina-highlight ang mga nawawalang sugnay sa proteksyon ng data, at pinapangkat ang mga katulad na kasunduan para sa mas madaling pagsusuri.
8. Pagtutugma ng Dynamic na Supplier
Paghahanap ng tamang supplier na madalas umasa sa mga static na listahan ng vendor o manu-manong pananaliksik. Binabago iyon ng AI sa pamamagitan ng pagrerekomenda sa mga supplier batay sa kasaysayan ng pagganap, mga sertipikasyon, pagpepresyo, at kasalukuyang kapasidad.
Gamit ang machine learning, sinusuri ng system ang parehong structured at unstructured na data para magmungkahi ng mga pinakaangkop na vendor para sa isang partikular na pangangailangan o rehiyon.
Ang mga koponan sa pagkuha ay maaari na ngayong:
- I-shortlist ang mga ideal na supplier nang mas mabilis
- Pinagmulan mula sa mga vendor na naaayon sa kalidad, gastos, at mga layunin sa ESG
- Bawasan ang oras ng onboarding at pagbutihin ang liksi sa pag-sourcing
Paano Ipatupad ang AI sa Pagkuha
Walang one-size-fits-all na diskarte sa AI adoption sa procurement. Ang tamang landas ay nakasalalay sa laki at layunin ng iyong kumpanya, ngunit hindi iyon nangangahulugan na kailangan mong magsimulang umunlad mula sa simula.
Ang seksyong ito ay para sa mga procurement manager, sourcing specialist, supply chain professional, at CPO na naghahanap ng mga praktikal na paraan para dalhin ang AI sa kanilang mga workflow.
.webp)
1. Magtakda ng Malinaw na Layunin
Huwag gumamit ng AI dahil lang sa mukhang makabago. Alamin kung anong problema ang sinusubukan mong lutasin.
Gusto mo bang i-automate ang mga purchase order? Pahusayin ang pag-uuri ng paggastos? Hulaan ang mga panganib sa supply?
Ang bawat isa sa mga layuning ito ay nangangailangan ng iba't ibang tool, modelo ng data, at pagsasama. Halimbawa, ang pag-automate ng mga order sa pagbili ay maaaring mangahulugan ng paggamit ng RPA, habang ang pagpapabuti ng pagtataya ay maaaring umasa sa ML.
Kung walang malinaw na layunin, nanganganib kang bumuo ng isang mamahaling tool na hindi nakakalutas ng anuman. Magsimula sa punto ng sakit at hayaang gabayan iyon ang iyong pagpapatupad ng AI.
2. Pumili ng Platform
Kapag nakalagay ang iyong mga layunin, hanapin ang mga tool na sumusuporta sa kanila.
Magsimula sa kung ano ang ginagamit mo na. Maraming ERP at procurement platform ang nag-aalok na ngayon ng mga built-in na feature ng AI tulad ng pag-uuri ng gastos o pagsusuri sa kontrata. Kung mas partikular ang iyong mga pangangailangan, tingnan ang mga standalone na tool ngunit tiyaking malinis ang mga ito sa iyong stack .
Ang pinakamahusay na platform ay ang isa na gumagana sa kung ano ang mayroon ka at mga kaliskis habang lumalaki ka.
3. Ihanda ang Iyong Data
Ang AI ay kasing talino lang ng data na pinapakain mo dito.
Bago ka sumisid, suriin kung ano ang mayroon ka. Linisin ang magulong data, pagsama-samahin ang impormasyong nakakalat sa mga system, at ilapat ang matibay na pamamahala sa data. Iyon ay nangangahulugan ng pag-standardize ng mga format at pagpapatunay ng katumpakan.
Ang mga procurement team ay hindi nangangailangan ng perpektong data ngunit kailangan nila ng magagamit na data. Isipin ito bilang paghahanda ng lupa bago itanim.
4. Buhayin ang Iyong Solusyon
Kapag malinaw na ang iyong mga layunin at platform at handa na ang iyong data, oras na para maisakatuparan ang iyong solusyon.
Sa karamihan ng mga procurement team, hindi ito nangangahulugan ng pagbuo ng mga tool ng AI mula sa simula. Nangangahulugan ito ng pakikipagtulungan sa isang vendor, kasosyo, o panloob na IT team upang i-configure at i-deploy ang isang tool na akma sa use case.
Piliin ang diskarte na akma sa mga kakayahan ng iyong koponan at ang pagiging kumplikado ng iyong layunin.
5. Paganahin ang Iyong Koponan
Kahit na ang pinakamahusay na tool ng AI ay hindi maghahatid ng mga resulta kung hindi alam ng team kung paano ito gamitin o pinagkakatiwalaan.
Kapag live na ang solusyon, maglaan ng oras para sa onboarding at adoption. Makipagtulungan sa vendor o kasosyo sa pagpapatupad upang sanayin ang koponan sa mga kaso ng paggamit, at iangkop ang pagsasanay sa kung paano gumagana ang mga propesyonal sa pagkuha — hindi lamang kung paano gumagana ang tool.
Gumawa ng espasyo para sa hands-on na pagsasanay, idokumento ang mga karaniwang workflow, at panatilihing bukas ang feedback loop.
Ang teknolohiya ay hindi makakapaghatid ng mga resulta kung walang nakakaalam kung paano ito gamitin.
6. Suriin at Ulitin
Huwag itakda ito at kalimutan ito.
Subaybayan ang epekto ng iyong mga tool sa AI gamit ang mga malinaw na sukatan tulad ng pagbawas sa cycle ng oras, pagtitipid na nabuo, o pag-iwas sa mga insidente sa peligro.
Kung bahagi ng rollout ang mga chatbot, tingnan ang analytics ng chatbot upang maunawaan kung paano ginagamit ang mga ito, kung saan epektibo ang mga ito, at kung saan maaaring magdulot ng alitan ang mga ito. Ang pagsukat ng chatbot ROI ay lalong mahalaga upang bigyang-katwiran ang pamumuhunan at gabayan ang mga pagpapabuti sa hinaharap.
At makipag-usap sa iyong mga gumagamit. Ano ang gumagana? Anong clunky?
Gumaganda ang mga AI system sa paglipas ng panahon, ngunit kung patuloy mong i-fine-tune ang mga ito. Ang pinakamahusay na mga pagpapatupad ay nagbabago sa paggamit ng totoong mundo.
Bumuo ng AI Agent nang Libre
Kung nag-e-explore ka kung paano dalhin ang AI sa iyong mga proseso sa pagkuha, ngayon na ang perpektong oras para magsimulang matuto.
Botpress ay isang platform ng pagbuo ng ahente ng AI para sa lahat, anuman ang iyong teknikal na background. Bumuo ng mga daloy nang biswal, subukan ang iyong mga tugon gamit ang mga tunay na input ng user, at ikonekta ang mga pinagmumulan ng data ng iyong negosyo para sa pinaka-up-to-date na impormasyon.
Gumagawa ka man ng mga ahente upang pamahalaan ang mga komunikasyon sa supplier o i-streamline ang mga pag-apruba ng purchase order, Botpress pinapadali nitong buhayin ang procurement automation.
Simulan ang pagbuo ngayon . Ito ay libre.
Mga FAQ
Gaano kamahal ang pagpapatupad ng mga tool ng AI sa pagkuha?
Ang gastos sa pagpapatupad ng mga tool ng AI sa pagkuha ay malawak na nag-iiba-iba: ang mga entry-level na feature ng AI sa mga kasalukuyang platform ay maaaring nagkakahalaga ng kasing liit ng ilang daan dollars bawat buwan, habang ang mga solusyon sa antas ng enterprise tulad ng advanced na pagsusuri sa paggastos o mga autonomous na ahente ay maaaring umabot sa anim na numero taun-taon. Ang kabuuang gastos ay depende sa pagiging kumplikado ng mga daloy ng trabaho at kung gumagamit ka ng mga off-the-shelf na solusyon o custom-building AI na mga kakayahan.
Mayroon bang anumang mga panganib o downsides sa paggamit ng AI sa pagkuha?
May mga panganib sa paggamit ng AI sa pagbili, tulad ng hindi magandang pagdedesisyon kung hindi kumpleto o hindi tumpak ang data, potensyal na vendor lock-in gamit ang mga proprietary AI system, at mga alalahanin sa pagsunod kung hindi maayos na nase-secure ang sensitibong data. Bukod pa rito, kung minsan ang mga tool ng AI ay maaaring makagawa ng mga error o hindi inaasahang resulta, na nangangailangan ng pangangasiwa ng tao upang mahuli ang mga isyu bago sila umakyat sa mga magastos na pagkakamali.
Pinapalitan ba ng mga tool ng AI sa procurement ang mga trabaho, o binabago lang kung paano gumagana ang mga tao?
Ang mga tool ng AI sa procurement sa pangkalahatan ay hindi direktang nag-aalis ng mga trabaho ngunit sa halip ay binabago kung paano gumagana ang mga tao sa pamamagitan ng pag-automate ng mga paulit-ulit na gawain tulad ng pagpasok ng data, pagtutugma ng invoice, o pagkategorya ng gastos, na nagpapahintulot sa mga propesyonal sa pagkuha na tumuon sa mga madiskarteng aktibidad tulad ng mga relasyon sa supplier, negosasyon, at pamamahala sa peligro. Gayunpaman, ang mga tungkulin ay maaaring lumipat patungo sa higit pang analytical o teknikal na mga kasanayan habang ang AI ay nagiging naka-embed sa mga pang-araw-araw na daloy ng trabaho.
Maaari bang makinabang ang maliliit na negosyo mula sa AI sa pagkuha, o pangunahin ba ito para sa malalaking negosyo?
Ang mga maliliit na negosyo ay talagang maaaring makinabang mula sa AI sa pagkuha, lalo na sa pamamagitan ng abot-kayang mga tool sa SaaS na nag-aalok ng mga feature tulad ng automated na pagpoproseso ng dokumento, pagtutugma ng supplier, o pangunahing pagsusuri sa paggastos nang walang malalaking pamumuhunan. Bagama't ang malalaking negosyo ay kadalasang naglalagay ng mas kumplikado, custom na mga solusyon sa AI, ang mas maliliit na kumpanya ay makakamit pa rin ng makabuluhang pagtitipid sa oras at mas mahusay na paggawa ng desisyon gamit ang mas magaan, cloud-based na mga tool sa AI.
Anong uri ng mga kasanayan ang kailangan ng mga procurement team upang gumana sa mga tool ng AI?
Ang mga procurement team ay hindi kinakailangang maging mga programmer upang gumana sa mga tool ng AI, ngunit kailangan nila ng mga kasanayan sa data literacy upang maunawaan kung paano gumagana ang mga modelo ng AI at matukoy ang mga isyu sa kalidad ng data. Ang pagiging pamilyar sa mga tool sa analytics at kaginhawaan gamit ang mga digital na platform ay susi, kasama ang kakayahang makipagtulungan sa IT upang isama ang mga solusyon sa AI sa mga daloy ng trabaho sa pagkuha.
%20(1).webp)
