Retailers onthullen: AI-adoptie is een menselijk probleem, geen technisch probleem

Acht retailleiders verzamelden zich onlangs in Londen voor een adviesraad van UiPath, en hun meest consistente conclusie was dat het mislukken van AI zelden een technologisch probleem is. Volgens de UiPath Blog was het overheersende thema tijdens elke sessie adoptie en verandermanagement, en niet de capaciteiten van modellen of platformfuncties. Het kerninzicht voor operationele teams is dat de technologie klaar is, maar de menselijke en data-infrastructuur vaak niet.

Wat er gebeurde

De discussie vond plaats onder de regels van Chatham House, wat betekent dat specifieke citaten niet aan individuen worden toegeschreven. De UiPath Blog meldt echter dat elke aanwezige retailer adoptie identificeerde als een grote uitdaging. Velen kampen met processen van 20 tot 30 jaar oud, gevormd door geïsoleerde teams, en sommigen zetten inmiddels zelfs dedicated verandermanagementpersoneel in om initiatieven gaande te houden. Een stillere barrière die werd beschreven, was de neiging van teams om zich te focussen op wat AI niet kan in plaats van wat het wel kan, wat leidt tot een kloof waarin moderne planningstools bestaan, maar het echte werk nog steeds in spreadsheets plaatsvindt.

Data-integriteit bleek een cruciale blokkade te zijn. UiPath's "Reaction Gap"-onderzoek onder 500 Britse retailleiders, aangehaald op de blog, wees uit dat hoewel 98% van de leiders hun systemen omschrijft als verbonden tijdens piekmomenten, slechts 25% over real-time zichtbaarheid beschikt om te handelen bij problemen zodra die zich voordoen. De blog opmerkt dat het moeilijkste probleem niet een gebrek aan data is, maar het zorgen dat cijfers overeenkomen in back-endsystemen waar afdelingen dezelfde data op verschillende manieren manipuleren. Slechte of gesiloëerde data blokkeert autonoom agentgebruik nog voordat het begint.

Wat betreft workflowontwerp beschreven de leiders een model waarin agents de routine-90% van de beslissingen afhandelen, terwijl mensen de 10% goedkeuren die oordeelsvorming vereist. Dit vereist echter dat het systeem zijn redenering en risico's kan uitleggen. Er werd een significant spanningsveld rond training opgeworpen: als agents het handmatige voorwerk (zoals het bouwen van handelspakketten) wegnemen, hoe ontwikkelen nieuwe afgestudeerden dan het oordeelsvermogen dat nodig is voor beslissingen op hoog niveau? Bovendien, hoewel 97% van de Britse retailers op de een of andere manier AI heeft geïmplementeerd, wacht 47% nog steeds op commerciële impact, mede door de lange doorlooptijden die nodig zijn om ROI aan te tonen.

Waarom dit belangrijk is voor kleine operationele teams

Voor kleine en middelgrote ondernemingen bevestigt dit een praktisch, risicoarm instappunt in AI-automatisering. Het advies van de retailleiders om "klein te beginnen" en zich te richten op de "middelste band" van werk – taken die te eentonig zijn voor mensen maar te complex voor eenvoudige macro's – is direct van toepassing op uw operaties. U hoeft niet uw hele ERP of supply chain te vernieuwen om waarde te zien. Focus in plaats daarvan op afgebakende, meetbare overwinningen zoals inkoopprocessen voor niet-voorraadgoederen. De blog benadrukt dat het onboarden van leveranciers tot wel acht weken kan duren, wat uitzonderingen en handmatige achtervolgingen creëert. Het automatiseren van deze specifieke bottleneck levert een zichtbare, snelle winst op die intern vertrouwen opbouwt. De belangrijkste meting is niet de onmiddellijke ROI, maar de interne vraag: wanneer uw team zegt "Ik moet dit hebben om te werken", heeft u de waarde bewezen. Deze aanpak vermindert het risico op verandermanagementvermoeidheid door het voordeel tastbaar te maken voor de medewerkers die het werk uitvoeren.

Wat u deze week kunt doen

1. Identificeer één "middelste band"-proces in uw operaties dat te maken heeft met high-volume, low-judgment taken, zoals het onboarden van leveranciers of factuurverwerking, en breng in kaart waar handmatige overdrachten plaatsvinden.
2. Selecteer één enkele, afgebakende dataset voor dit proces en schoon deze op om een ​​enkele bron van waarheid te garanderen, waarmee het datasyloprobleem wordt aangepakt voordat er een AI-tool wordt geïntroduceerd.
3. Test een AI-agent gedurende één maand op deze specifieke workflow en meet het succes niet alleen aan de hand van bespaarde tijd, maar ook aan de vraag of teamleden expliciet verzoeken om de tool te behouden nadat de proefperiode eindigt.

Bronnen

• We asked eight retailers to be honest about AI — UiPath Blog