Dieser Blog konzentriert sich auf die Rolle der KI in der Due-Diligence im Bereich der Lieferkette und diskutiert sowohl die Herausforderungen, Grenzen und Vorteile der KI innerhalb eines ganzheitlichen Due-Diligence-Prozesses als auch deren mögliche Entwicklung in der Zukunft.
Es wurde viel diskutiert und debattiert über die Verwendung von KI in der Lieferketten-Due-Diligence. Begriffe wie das Internet der Dinge (IoT), Big Data, Web-Scraping und abgeleitete Beziehungen haben zunehmend an Popularität in den Medien und in Diskussionen zur Lieferketten-Due-Diligence gewonnen. Die Gesellschaft nutzt zunehmend die Kraft des Internets und technologische Entwicklungen, um die Art und Weise, wie wir leben und arbeiten, zu verändern. Die Debatte ist weit verbreitet, ebenso wie die Verwirrung über die Fähigkeiten aufstrebender Technologien und deren Fähigkeit, nachhaltige Beschaffungspraktiken zu unterstützen.
Der Wettlauf zum Netto-Null-Ziel in allen Branchen schafft einen beispiellosen Wettbewerb um dringend benötigte Rohstoffe, Fachwissen, Subunternehmer und Lieferanten. Diese steigende Nachfrage hat Umwelt- und soziale Auswirkungen. Es gibt Fälle von Zwangsarbeit im Zusammenhang mit der Herstellung von Solarpaneelen, Amazonas-Abholzung im Zusammenhang mit der Herstellung von Windkraftanlagen und Schäden an Meeres- und Fischbeständen in Indonesien durch illegale Nickelerzabbau.
Es ist unbestreitbar, dass neue KI-Technologien wie die Überwachung von negativen Medien und die Analyse von Satellitenbildern eine Rolle bei unserem Schutz von Menschen und Planeten spielen, aber wenn es darum geht, komplexe und oft verborgene Probleme innerhalb der Lieferkette anzugehen, reicht es aus, sich auf diese Entwicklungen zu verlassen?
Was ist KI?
Zunächst einmal lassen Sie uns sicherstellen, dass wir alle verstehen, was wir unter KI verstehen. Es gibt verschiedene Arten von KI. Diese Begriffe beziehen sich auf verschiedene Konzepte im Bereich der künstlichen Intelligenz. Vielleicht verwirrenderweise werden diese oft verwechselt oder synonym verwendet – insbesondere Narrow AI, Generative AI und General AI, die unten erläutert werden.
Narrow AI (oder Schwache KI): Dies bezieht sich auf KI-Systeme, die für eine bestimmte Aufgabe oder eine enge Aufgabengruppe entwickelt und trainiert wurden. Die meisten heute verwendeten KI-Anwendungen, wie Sprachassistenten wie Siri oder Alexa, Bilderkennungssysteme und Empfehlungsalgorithmen, fallen in die Kategorie der Narrow AI.
Generative AI: Generative KI bezieht sich typischerweise auf eine Untergruppe der künstlichen Intelligenz, die sich darauf konzentriert, neue Inhalte oder Daten zu erstellen, anstatt nur vorhandene Informationen zu analysieren oder zu klassifizieren. Es beinhaltet oft Modelle, die realistische und neuartige Ausgaben generieren können, wie Bilder, Texte oder sogar ganze Szenarien, basierend auf den Mustern und Informationen, die sie aus Trainingsdaten gelernt haben. Beispiele für generative KI sind Textgeneratoren wie Chat GPT-3, Bildgeneratoren und andere Modelle, die in der Lage sind, neue Inhalte zu erstellen.
General AI (Künstliche Allgemeine Intelligenz oder AGI): General AI hingegen bezieht sich auf eine Art künstliche Intelligenz, die die Fähigkeit besitzt, Wissen zu verstehen, zu lernen und anzuwenden, über eine breite Palette von Aufgaben hinweg, ähnlich wie die menschliche Intelligenz. AGI wäre in der Lage, jede intellektuelle Aufgabe auszuführen, die ein Mensch kann, sich an neue und unbekannte Situationen anzupassen und ein breites Verständnis verschiedener Bereiche zu zeigen.
Im Gegensatz zu Generative und Narrow AI, die für bestimmte Aufgaben entwickelt wurden, ist AGI hypothetisch und existiert derzeit nicht. Die Erreichung von AGI bleibt ein langfristiges Ziel in der KI-Forschung, daher konzentriert sich dieser Blog vorerst auf Narrow und Generative AI.
KI-Herausforderungen
Obwohl Generative und Narrow AI erhebliche Vorteile bei der Verbesserung von Effizienz, Genauigkeit und Entscheidungsfindung während der Lieferketten-Due-Diligence bieten können, gibt es auch mehrere Herausforderungen und Probleme im Zusammenhang mit ihrer Implementierung.
Nur wenige skrupellose Betreiber, die Zwangsarbeit einsetzen, illegal abbauen oder Meere und Flüsse verschmutzen, werden Informationen über ihre Geschäftsaktivitäten dort platzieren, wo die heutige Generative KI darauf zugreifen kann.
Einige der Schlüsselprobleme sind:
Datenqualität und Zuverlässigkeit: Generative KI-Systeme sind stark auf Daten für Training und Entscheidungsfindung angewiesen. Wenn die Eingabedaten ungenau, unvollständig oder voreingenommen sind, kann dies zu fehlerhaften Ergebnissen und Entscheidungen führen.
Datenschutz und -sicherheit: Lieferketten-Daten enthalten oft sensible Informationen über Unternehmen, Lieferanten und Kunden. Die Sicherstellung der Privatsphäre und Sicherheit dieser Daten ist entscheidend, um unbefugten Zugriff, Verstöße oder Missbrauch zu verhindern.
Komplexität der Lieferketten-Netzwerke: Lieferketten können komplex sein und zahlreiche Beteiligte umfassen, was die Modellierung und Analyse erschwert. Generative KI-Algorithmen können Schwierigkeiten haben, die volle Komplexität globaler Lieferketten-Netzwerke zu erfassen.
Mangel an Standardisierung: Das Fehlen standardisierter Datenformate und -protokolle in der gesamten Lieferkette kann die Integration und Interoperabilität von KI-Systemen behindern. Verschiedene Unternehmen können unterschiedliche Systeme verwenden, was es schwierig macht, eine universelle Lösung zu schaffen.
Verbundene Risiken: Lieferkettenrisiken sind oft miteinander verbunden, und Generative KI kann Schwierigkeiten haben, kaskadierende Effekte zu analysieren und vorherzusagen. Zum Beispiel kann eine Störung in einem Teil der Lieferkette Auswirkungen auf das gesamte Netzwerk haben.
Ethikfragen: Die Verwendung von KI in der Lieferketten-Due-Diligence wirft ethische Bedenken auf, wie algorithmische Voreingenommenheit und das Potenzial für unbeabsichtigte Folgen, wie jüngst bei Googles Gemini KI. KI-Systeme können unbeabsichtigt bestehende Vorurteile verstärken oder Entscheidungen treffen, die negative soziale oder Umweltauswirkungen haben.
Dynamik der Lieferketten: Lieferketten sind dynamisch und unterliegen ständigen Veränderungen in Nachfrage, Angebot, Vorschriften und geopolitischen Faktoren. KI-Systeme können Schwierigkeiten haben, sich schnell an diese Veränderungen anzupassen, was zu veralteten oder ungenauen Erkenntnissen führen kann.
Gültigkeit zeitkritischer Daten: Bestimmte KI-Prozesse für die Lieferketten-Due-Diligence beruhen auf der Erfassung von öffentlich verfügbaren Unternehmensdaten, die in jährlichen Finanz- oder Nachhaltigkeitsberichten enthalten sein können. Aufgrund des rückwirkenden Berichtszyklus von Unternehmen, die diese Informationen offenlegen, können sie zum Zeitpunkt der Erfassung und Analyse oft veraltet oder irrelevant sein.
Zugang zu Informationen aus unteren Ebenen: Viele Lieferanten in der komplexen Welt der Lieferkette eines Unternehmens veröffentlichen oder offenbaren keine Informationen öffentlich. Oft behalten kleine und mittlere Unternehmen Informationen in Papierform oder auf ihren Firmenservern bei, was es für KI-Lösungen nahezu unmöglich macht, auf diese Informationen zuzugreifen.
Die vorteilhafte Rolle der Generativen KI
Trotz dieser Herausforderungen kann und wird KI eine immer größere Rolle bei der Verbesserung der Lieferketten-Due-Diligence und des risikobasierten Denkens spielen, wenn sie durchdacht implementiert wird. Sie wird bereits tagtäglich eingesetzt und wird sich weiterentwickeln, um Folgendes einzuschließen:
Datengüte-Sicherung: Priorisierung der Datenqualität durch Implementierung von Datenvalidierungs- und -bereinigungsprozessen. Verwenden von KI-Algorithmen zur Identifizierung und Behebung von Inkonsistenzen, Fehlern und Ausreißern in den Daten.
Fortgeschrittene Analyse für Netzwerkkomplexität: Einsatz fortschrittlicher Analyse- und maschineller Lernalgorithmen zur Modellierung und Analyse komplexer Lieferketten-Netzwerke. Diese Tools helfen dabei, Einblicke in Abhängigkeiten, Schwachstellen und potenzielle Risiken im gesamten Netzwerk zu erhalten.
Überwachung der Einhaltung gesetzlicher Vorschriften: KI-Tools können und werden verwendet, um die Einhaltung relevanter Vorschriften zu überwachen und sicherzustellen.
Integriertes Risikomanagement: KI-gesteuerte integrierte Risikomanagementsysteme, die verbundene Risiken berücksichtigen. Dies kann das Simulieren und Analysieren verschiedener Szenarien umfassen, um potenzielle kaskadierende Effekte zu identifizieren und proaktive Risikominderungsstrategien zu entwickeln.
Sichtbarkeit und Rückverfolgbarkeit der Lieferkette: Nutzung von KI-Technologien wie Blockchain und IoT (Internet der Dinge), um die Sichtbarkeit und Rückverfolgbarkeit der Lieferkette zu verbessern. Dies kann die Genauigkeit der Daten verbessern und Echtzeit-Einblicke in den Warenfluss innerhalb der Lieferkette bieten.
Diese Anwendungsfälle werden sich nur weiterentwickeln, wenn die Technologie reifer und etablierter wird. Beispielsweise Adaptive KI oder KI, die sich an die dynamische Natur von Lieferketten mit kontinuierlichen Lernmechanismen anpassen kann, wird letztendlich eine Evolution und Aktualisierung basierend auf Veränderungen in Nachfrage, Angebot und externen Faktoren ermöglichen.
KI und Web-Scraping für das Lieferkettenmanagement von KMU
Heute können für KMU vollautomatisierte und Web-Scraping-Lösungen eine kostengünstige Lösung für das Lieferkettenmanagement bieten – insbesondere wenn soziale und Umweltrisiken, Compliance-Anforderungen und Lieferkettenkomplexität geringer sind.
Die Rolle von KI in hochriskanten, komplexen Sektoren
In den stark regulierten, komplexen und hochriskanten Industriebranchen, auf die sich Achilles spezialisiert hat, ist es jedoch schwer vorstellbar, dass KI allein die erforderliche Transparenz bieten wird – für eine beträchtliche Zeit in der Zukunft oder vielleicht überhaupt nicht.
Hier ist die Rolle von KI, vorerst und auch in Zukunft, eine Ergänzung zu tieferen, detaillierteren Methoden. Diese sind vielleicht nicht so trendy wie KI. Sie verwenden echte Menschen, Augen, Ohren und viele Jahre internationale Erfahrung und ein echtes Verständnis der komplexen Probleme, um Bedrohungen zu identifizieren, die in den Schatten der heutigen Lieferkette lauern.
Beispiele aus der realen Welt
Bei Achilles haben wir das Glück, Kunden in allen Phasen ihrer Due-Diligence-Reise zu unterstützen, von der Risikobewertung bis zur Offenlegung. Ein Teil dieses Prozesses sind unsere Vor-Ort-Audits und Mitarbeiterinterviews. Dies sind Aktivitäten „vor Ort“, an einigen der unzugänglichsten und anspruchsvollsten Orte auf dem Planeten. Unsere Teams von Auditoren nutzen ihre Augen, Ohren und ihre umfangreiche Erfahrung, um noch tiefer zu gehen.
Ein aktuelles Beispiel dafür sind potenzielle Fälle von Zwangsarbeit, die an einem Standort in Singapur identifiziert wurden. Unser Kunde, ein multinationales Energieunternehmen, war sich nicht bewusst, dass Migrantenarbeiter, die über eine Agentur beschäftigt wurden, enorme Einlagen zahlen mussten, um beschäftigt zu werden und in einigen Fällen ihre Ausweisdokumente abgenommen bekamen. Leider ist dies kein isolierter Fall. Ob Chemikalien in Wasserläufe eingeleitet werden oder Lohnabzüge als finanzielle Bestrafung dienen, unsere Teams sehen und hören diese Probleme mit ihren eigenen Augen und Ohren.
Heute erfordert eine effektive Due-Diligence und die Einhaltung immer strengerer Gesetzgebung zur Due-Diligence wie Apenhetsloven, Bill S211, BRSR Core, CSDDD, Lieferkettengesetz und das Modern Slavery Act einen breiten Ansatz, bei dem alle verfügbaren Tools eines Unternehmens zum Einsatz kommen. Glücklicherweise haben wir für unsere Kunden diese Tools genutzt und die Erfahrung, um zu wissen, wann und wie man sie einsetzt.
Es ist entscheidend, eine Balance zwischen Automatisierung und menschlicher Expertise zu finden. Eine zu starke Abhängigkeit von KI ohne menschliche Aufsicht kann zu blinden Flecken und verpassten Nuancen führen, während eine unzureichende Automatisierung zu Ineffizienzen führen kann. In einer Zeit, in der die Welt mit einem Anstieg von Menschenrechtsverletzungen, Kinderarbeit, Zwangsarbeit und Umweltverschmutzung konfrontiert ist und sich bemüht, Emissionen zu reduzieren und den Klimawandel anzugehen, müssen wir alle verfügbaren Werkzeuge nutzen, um Transparenz zu schaffen und die nachteiligen Auswirkungen unserer Geschäftspraktiken anzugehen. Regulierungsbehörden, Investoren und Kunden würden zu Recht nichts weniger akzeptieren.