Perché Lean Solutions Group sta scommettendo sugli ‘Esperti nel Ciclo’

Perché Lean Solutions Group sta scommettendo sugli ‘Esperti nel Ciclo’

Matt Herr

6 minuti di lettura

Lean Solutions Group è cresciuta da circa 700 dipendenti nel 2018 a più di 10.000 oggi, distribuiti in Colombia, Guatemala, Filippine e oltre. L'azienda ha costruito questa scala risolvendo un problema semplice per i broker di trasporto: ridurre il costo per carico spostando le funzioni di back-office in mercati del lavoro nearshore dove l'economia aveva più senso.

Secondo il CTO Alfonso Quijano, il calcolo che ha alimentato questa crescita è cambiato. L'arbitraggio sui costi del 40% che originariamente attirava i broker in Lean Solutions Group (LSG) non è più sufficiente. I clienti ora chiedono risparmi del 60% o del 70%, e vogliono che questi guadagni siano conseguiti senza interrompere le operazioni. È qui che entra in gioco l'intelligenza artificiale, anche se non nel modo in cui molti nel settore potrebbero aspettarsi.

"L'intelligenza artificiale è molto di moda ultimamente, ma non ci sono molte persone che parlano della vera sostanza che deve accadere dietro le implementazioni dell'intelligenza artificiale", ha detto Quijano in un'intervista con J.P. Hampstead, Editorial Director di FreightWaves.

L'argomento centrale di Quijano è che la logistica è troppo frammentata e troppo varia nei suoi processi perché qualsiasi singolo prodotto di intelligenza artificiale possa servire un'ampia base di clienti senza una personalizzazione significativa. Prima che LSG standardizzasse le sue offerte di servizio, l'azienda supportava più di 180 distinte funzioni lavorative in tutto il settore dei trasporti e della logistica (molte delle quali erano lievi variazioni su ruoli come il tracciamento e il rintraccio che i singoli broker avevano adattato per adattarsi ai propri flussi di lavoro).

Quella frammentazione, dice Quijano, è esattamente ciò che causa il cedimento delle soluzioni AI-first provenienti da fuori dal settore.

"Non puoi semplicemente creare un prodotto che copra un'ampia gamma di clienti diversi senza modifiche", ha detto. "Ognuno di loro richiede una sorta di modifica e implementazione personalizzata che interrompe l'adozione su larga scala del prodotto."

È una dinamica che rispecchia la tensione competitiva che LSG ha affrontato nei suoi primi anni, quando i broker rivali che condividevano lo stesso fornitore di servizi chiedevano reti firewall, spazi di lavoro con marchio e SOP isolate per proteggere le loro identità operative. Lo stesso istinto si applica ora alle implementazioni dell'intelligenza artificiale.

"Abbiamo un playbook per una delle più massicce implementazioni di gestione del cambiamento che il settore abbia visto in termini di forza lavoro", ha detto Quijano. "Sappiamo come le persone lavorano e come il lavoro deve cambiare per adottare efficacemente l'intelligenza artificiale."

Quijano è stato diretto sui limiti dei modelli linguistici di grandi dimensioni nelle operazioni logistiche, in particolare quando le aziende tentano di implementare flussi di lavoro AI completamente autonomi.

"La capacità di prendere buone decisioni di giudizio di alta qualità è ancora molto lontana dalla realtà", ha detto, aggiungendo che quando si verificano eccezioni in un flusso di lavoro autonomo, il costo degli errori non rilevati può propagarsi dal TMS attraverso la contabilità e fino al cliente.

Ha paragonato il problema a un fallimento del senso comune: un chatbot AI che consiglia a qualcuno di camminare per lavare l'auto invece di guidare l'auto che ha bisogno di essere lavata. L'aneddoto, tratto da una tendenza virale su Internet, ha illustrato il suo punto più ampio secondo cui l'output dell'intelligenza artificiale è probabilistico, non intelligente.

"L'intelligenza artificiale non è intelligente per impostazione predefinita", ha detto Quijano. "È una tecnologia che stima quale dovrebbe essere la parola successiva in base all'input."

I rischi si aggravano su larga scala. Quando le aziende affidano grandi volumi di lavoro ad agenti AI autonomi, secondo Quijano, spesso finiscono per spendere molto più tempo a rivedere, correggere e modificare gli errori di quanto abbiano risparmiato.

Il framework alternativo di LSG rifiuta il gergo comune del settore di "umano nel ciclo", che Quijano vede come riduttivo.

"L'umano nel ciclo ha l'implicazione di un processo super intelligente o di un processo incluso nell'intelligenza artificiale che ha bisogno di essere sorvegliato e che gli umani sono solo lì per inserire 'approva, approva, approva'", ha detto. "Non è il modo di guardare le cose."

Invece, LSG utilizza il termine "esperti nel ciclo" per descrivere un modello in cui le persone che in precedenza svolgevano attività operative sono formate come specialisti responsabili dell'identificazione di situazioni anomale, dell'insegnamento all'intelligenza artificiale per gestire nuovi scenari, dell'interpretazione delle metriche delle prestazioni e della garanzia dell'allineamento con gli SLA. È un cambiamento sostanziale nella descrizione del lavoro, non una retrocessione a pulsante.

Quijano ha indicato l'infrastruttura QA esistente di LSG come base per questo modello. LSG utilizza un team di circa 200 persone distribuite tra i clienti e questi ruoli QA vengono rielaborati per controllare sia l'output dell'intelligenza artificiale che quello umano negli account con implementazioni dell'intelligenza artificiale attive.

"È un investimento che devi fare per garantire che l'intelligenza artificiale funzioni, almeno per ora fino a raggiungere quel livello di piena autonomia", ha detto. "Nessuno lo sa, nemmeno Jensen Huang di NVIDIA o Sam Altman, quando l'intelligenza artificiale sarà completamente autonoma."

Attraverso LeanTek AgentEdge e LeanTek Connect, LSG sta lanciando funzionalità di intelligenza artificiale progettate per funzionare in modo proattivo insieme agli operatori piuttosto che aspettare di essere interrogate.

La distinzione, ha spiegato Quijano, è la differenza tra un operatore che individua un errore e invia uno screenshot a ChatGPT per l'analisi e un compagno di intelligenza artificiale che segnala gli errori in tempo reale mentre il lavoro viene svolto.

"Cosa succederebbe se mentre stai creando il foglio di calcolo o stai facendo il lavoro effettivo, potesse dirti: 'ehi, hai commesso un errore qui. Ecco i suggerimenti. Ecco come puoi correggerlo'", ha detto Quijano. "Questo, per noi, è l'intelligenza operativa."

La visione è che questo livello proattivo possa vivere ovunque avvenga il lavoro, che si tratti nel browser, nel TMS o integrato nel flusso di lavoro operativo quotidiano. LSG prevede di offrire ai clienti la possibilità di testare quanto bene le loro operazioni si allineano alle SOP e alle descrizioni del lavoro documentate, individuare opportunità per introdurre l'automazione nei processi manuali non serviti e connettere direttamente i suggerimenti all'esecuzione.

Quijano prevede che la prossima sfida della forza lavoro nel settore della logistica non assomiglierà all'ultima.

"Se prima la carenza di talenti era dovuta al fatto che semplicemente non si riusciva a trovare abbastanza persone che rimanessero a fare il tracciamento e la programmazione degli appuntamenti, penso che la prossima carenza sarà che il lavoro che dovrai fare per preparare le persone all'intelligenza artificiale sarà molto più di quanto le aziende anticipino", ha detto.

LSG, ha detto, sta già formando migliaia di dipendenti per colmare questa lacuna. L'azienda si sta posizionando non solo come fornitore di personale nearshore, ma come il ponte tra le operazioni logistiche legacy e la forza lavoro potenziata dall'intelligenza artificiale di cui quelle operazioni avranno sempre più bisogno.

In questa sessione, gli esperti analizzeranno dove l'automazione fallisce, cosa rappresenta l'intelligenza operativa nella pratica e come i team leader combinano l'intelligenza artificiale con competenze integrate per eseguire con sicurezza.