No products added!
Indkøb og supply chain har altid været discipliner, hvor små forbedringer kan mærkes på bundlinjen. Det nye er, hvor hurtigt forbedringerne kan realiseres, når data, processer og beslutninger bindes sammen med AI.
Når man ser på danske virksomheder, går de mest overbevisende resultater igen: kortere gennemløbstider, færre manuelle fejl, bedre prognoser og et mere sikkert grundlag for at håndtere risiko i leverandørkæden. Ikke som en fjern fremtidsvision, men som konkrete arbejdsgange, der kan læres, testes og sættes i drift.
Hvor AI rammer indkøb hårdest
AI er ikke én ting. I indkøb og supply chain er det en værktøjskasse, der lægger sig oven på de klassiske trin: behov, sourcing, forhandling, ordreflow, kontraktstyring, leverandøropfølgning og performance.
Det stærkeste potentiale opstår, når AI får lov at støtte de steder, hvor mennesker typisk bruger tid på at samle data, sammenligne alternativer og sikre dokumentation. Her kan maskiner arbejde i høj volumen, mens fagfolk bruger tiden på vurderinger, relationer og beslutninger.
En vigtig effekt er tempo. Prognoser, risikovurderinger og dokumenttjek kan køre langt hyppigere end en månedlig eller kvartalsvis rytme. Det gør indkøb mere proaktivt og supply chain mere robust, især når markedet ændrer sig hurtigt.
Fra forecasting til kontraktstyring: teknologierne bag
To spor går igen i de bedste indkøbsopsætninger: forudsigelser og automatisering. Først forudsigelser, der gør behov og timing mere præcise. Dernæst automatisering, der reducerer administrativ friktion i ordre- og dokumentflow.
Maskinlæring kan forbedre demand forecasting ved at inddrage historik og eksterne drivere som sæson, markedstendenser og andre signaler. SAP beskriver netop, hvordan AI i indkøb bruges til at øge effektivitet, reducere omkostninger og styrke beslutningerne baseret på data (SAP). I Danmark peger en analyse fra Digitaliseringsstyrelsen på, at mange virksomheder, der anvender AI, oplever højere produktivitet i arbejdsprocesser (digst.dk).
Automatisering kommer ofte ind via RPA, hvor softwarerobotter udfører gentagne handlinger i ERP, indkøbssystemer og mailflows. Kombineret med NLP kan man også behandle tekst: tilbud, ordrebekræftelser, kontrakter, afvigelser og leverandørkommunikation. PwC peger på, at AI i kontrakt- og ordrestyring kan spare tid, minimere risici og give bedre overblik (PwC).
Efter en kort indledende kortlægning ender de fleste teams med en prioriteret værktøjsliste, der ligner denne:
- Forecasting og predictive analytics
- RPA til ordre- og fakturaflow
- NLP til kontrakter og leverandørdokumenter
- GenAI til udkast, opsummeringer og dialog
- Computer vision til kontrol i lager og drift
Danske erfaringer: tre cases der peger frem
Danske cases er nyttige, fordi de viser, hvad der kan lade sig gøre i praksis, når data, proces og forandring hænger sammen. Nogle resultater er meget direkte: en opgave, der før tog dage, kan løses på under en time. Andre er mere “stille” gevinster: bedre plukruter, færre fejl, mere stabile leverancer.
Nedenstående tabel opsummerer tre ofte nævnte eksempler fra dansk erhvervsliv, som hver især rammer en kerneudfordring i supply chain og indkøb: lager, dokumenter og disponering. Tallene stammer fra offentligt beskrevne cases hos AI Denmark, PwC’s CXO-univers og DI.
| Virksomhed (case) | AI-anvendelse | Observeret effekt | Praktisk læring til indkøb/supply chain |
|---|---|---|---|
| Peak Systems | ML i warehouse management til optimering af vareplacering og pluk | Omkring 30 % hurtigere pluk og markante tidsbesparelser i spidsbelastning (AI Denmark) | Start med en afgrænset proces med tydelige KPI’er (tid pr. pluk, fejlrate) og iterér på modellen |
| DSV | Generativ AI og ML til dokumenthåndtering (fakturaer, told- og transportdokumenter) | Opgaver fra dage til under en time og mindre manuelt arbejde (PwC CXO) | Høj volumen først: dokumenter med standardmønstre giver hurtigt payoff, især når kvalitetssikring er indbygget |
| H. Daugaard | ML-baseret disponering af ressourcer | Estimeret frigørelse af tusindvis af timer årligt (DI) | Brug AI til at støtte planlæggerens beslutning, ikke erstatte den. Datagrundlag og procesdisciplin er afgørende |
Der er en fællesnævner i alle tre: De har valgt et konkret problem, hvor værdien kan måles, og hvor der findes data, man kan forbedre lidt ad gangen.
Hvad et firmakursus bør give indkøb og supply chain
Et AI-kursus for indkøb giver først rigtig værdi, når det rammer arbejdets realiteter: kategoristrategier, leverandørmøder, afvigelser, compliance, servicegrader og den evige spænding mellem cost og risiko.
Det kræver også et sprog, som både indkøb, logistik, drift, IT og økonomi kan mødes i. Ellers bliver AI enten et IT-projekt uden ejerskab eller en forretningsdrøm uden datagrundlag.
En god kursusramme kan beskrives gennem de kompetencer, deltagerne går derfra med:
- Use cases og prioritering: Vælg 3 til 5 indsatser med klar værdilogik, dataplan og risikoafklaring
- Data og kvalitet: Kend de typiske databrud i ERP, masterdata, leverandørdata og forecast-input
- Processer og automatisering: Identificér hvor RPA, workflows og AI-klassifikation fjerner flaskehalse
- Kontrakter og dokumenter: Byg sikre rutiner for udtræk, opsummering, afvigelsesflag og audit-spor
- Adoption i hverdagen: Træn “human-in-the-loop” så fagfolk bevarer kontrol og tillid
Et praktisk læringsdesign: fra workshop til drift
Mange virksomheder ønsker et firmakursus, der både kan samle holdet og skabe output, man kan bruge mandag morgen. Det peger i retning af et forløb, hvor deltagerne arbejder med egne dokumenttyper, egne KPI’er og realistiske scenarier.
En effektiv struktur er ofte en kombination af fælles undervisning og små grupper, hvor man skifter mellem metode, demo og anvendelse. Når det fungerer, kan man næsten mærke, at teamet får et fælles “AI-ordforråd”.
Et eksempel på en læringsrytmik kan se sådan ud:
- Kortlægning af indkøbs- og supply chain-processer med friktion, ventetid og risikopunkter
- Use case-laboratorium med business case, databehov og succeskriterier
- Hands-on med forecasting, dokumentanalyse og procesautomatisering på realistiske datasæt
- Implementeringsplan med governance, roller, leverandørdialog og måling af gevinster
Og ja, nogle gange er det vigtigste output bare en fælles prioritering, som ledelse og team kan stå på mål for.
Forecasting, lager og servicegrad: når planlægning bliver mere levende
Der er en særlig energi i at se en prognose forbedre sig, fordi den pludselig tager højde for signaler, man før håndterede på mavefornemmelse. Når forecasting løftes, følger en kædereaktion: bedre indkøbstiming, mere stabile leverancer, lavere ekspresfragt og færre udsolgte varer.
Lageroptimering er tilsvarende konkret. AI kan støtte valg af safety stock og genbestillingspunkter, så kapitalbinding og servicegrad balanceres mere præcist. I praksis handler det om at gøre variation synlig: hvilke varer er stabile, hvilke er volatile, og hvor er risikoen størst, hvis leverandøren svigter.
I et kursusforløb er det ofte her, deltagerne oplever den første “aha”: AI handler ikke kun om automatisering, men om at tage bedre beslutninger oftere.
Leverandørudvælgelse og risiko: scorecards der kan arbejde for jer
Supplier scorecards er ikke nye. Det nye er, at data kan opsamles og vægtes mere løbende, så vurderingen ikke bliver en årlig øvelse, men et aktivt cockpit.
AI kan samle signaler på tværs af pris, leveringstid, reklamationer, betalingsbetingelser, ESG-data, kontraktlige afvigelser og andre risikofaktorer. Det skaber et mere konsistent beslutningsgrundlag, især når leverandørporteføljen er stor.
Det betyder ikke, at man skal overlade valget til en model. Det betyder, at modellen kan hjælpe med at stille de rigtige spørgsmål, tidligt. Og at indkøb kan bruge tiden på dialogen: hvad skal forbedres, hvad kan forhandles, og hvor skal man have alternative sources klar.
Kontrakter, ordrer og dokumenter: hvor tiden forsvinder, og hvor den kan findes igen
Dokumentflow er et af de mest taknemmelige steder at bruge AI, fordi opgaverne ofte er hyppige og standardiserede: ordrebekræftelser, leverandørvilkår, fakturaafstemning, leveringserklæringer, told- og transportpapirer.
Generativ AI kan lave udkast og opsummeringer, mens NLP kan udtrække felter og markere afvigelser. Kombineret med RPA kan man automatisere, at data flyttes rigtigt mellem systemer og bliver godkendt efter faste regler.
Den vigtigste disciplin er at designe kontrolpunkter: Hvad må gå igennem automatisk, hvad skal stoppes, og hvad skal eskaleres til en fagperson.
Governance, GDPR og ansvarlig brug i indkøb
Indkøb arbejder ofte med fortrolige oplysninger: priser, rabatstrukturer, kontraktvilkår, leverandørvurderinger og strategiske volumener. Derfor skal AI-brug være praktisk ansvarlig, ikke kun “politisk korrekt”.
Det betyder typisk klare retningslinjer for:
- hvilke data der må ind i hvilke værktøjer
- logning og audit-spor ved kontrakt- og dokumentbehandling
- roller og godkendelser, så beslutningsansvar er tydeligt
- vurdering af leverandørers AI-løsninger og databehandleraftaler
EU’s AI-regler og GDPR ændrer ikke behovet for innovation. De skærper bare kravet til orden i penalhuset. Og det er i virkeligheden en fordel, fordi det gør implementering mere skalerbar.
Kompetencer som konkurrenceparameter, ikke et sideprojekt
Mange teams kan godt købe et værktøj. Færre kan få det i drift på en måde, der holder efter tre måneder. Derfor bliver kompetencer et konkurrenceparameter i sig selv: evnen til at formulere use cases, stille krav til data, teste effekter og sikre adoption.
Nordisk Business Academy arbejder med praksisnære, AI-integrerede kompetenceforløb, hvor målet er at gøre AI anvendeligt i hverdagen for indkøb, logistik, drift og beslægtede funktioner. For nogle giver det mest mening at tage udgangspunkt i logistik og drift med forecasting, lager og ruteoptimering. For andre starter det i økonomi og controlling, hvor predictive analytics kan styrke prognoser og budgetter. Fælles er, at læring får ekstra værdi, når den kobles til virkelige cases og munder ud i en plan, der kan gennemføres.
Det er en ambitiøs tid at arbejde med indkøb og supply chain. AI gør faget mere datatungt, men også mere strategisk. Og når teamet først får greb om metoderne, bliver næste forbedring sjældent den sidste.
