Može li AI učinkovitije od čovjeka odlučivati o nabavi i zalihama?

1. Uvod: pitanje učinkovitosti nije isto što i pitanje točnosti

Pitanje može li umjetna inteligencija učinkovitije od čovjeka odlučivati o nabavi i zalihama ne može se riješiti samim uspoređivanjem pogreške prognoze. U upravljanju zalihama prognoza je samo jedan element šire odluke. Sustav mora povezati očekivanu potražnju s vremenom dobave, razinom usluge, troškom držanja zalihe, troškom nestašice i izborom dobavljača. Zato bolja prognozna točnost ne znači automatski i bolji ekonomski ishod.

U prikupljenoj literaturi umjetna inteligencija pojavljuje se kao skup metoda za predviđanje, klasifikaciju, optimiranje i podršku odlučivanju. Strojno učenje pritom je jedan od pristupa unutar šireg područja umjetne inteligencije. Pregledi AI-ja u opskrbnom lancu obuhvaćaju prognoziranje, izbor dobavljača, logistiku i odlučivanje, ali istodobno upozoravaju da kvaliteta dokaza nije jednaka u svim područjima (Toorajipour i sur., 2021). Noviji pregled AI-ja u planiranju potražnje pokazuje da je područje još razvojno i da je velik dio literature usmjeren na modele, dok su organizacijski, međorganizacijski i upravljački uvjeti slabije zastupljeni (Walter i sur., 2025).

Zbog toga ovaj rad ne polazi od pretpostavke da AI općenito nadmašuje čovjeka, pravila ili tradicionalne statističke metode. Umjesto toga, analizira uvjete pod kojima bi AI mogao povezati prognoziranje s ekonomskom odlukom o zalihama. Ključno je pitanje može li takav sustav, uz iste podatke, istu nabavnu odluku, istu funkciju troška, istu servisnu razinu i usporedivu metriku ishoda, ostvariti bolji kompromis između troška držanja zalihe i rizika nestašice.

Takva operacionalizacija nužna je jer različiti izvori mjere različite stvari. Jedan rad može uspoređivati prognoznu točnost neuronskih mreža, regresije i drugih metoda, dok drugi analizira preskriptivnu odluku o zalihama. Prvi govori o predviđanju, a drugi o odluci. Bez razlikovanja tih razina nije moguće izvesti zaključak o ekonomskoj učinkovitosti nabavnog sustava.

Pritom ni sama riječ „učinkovitost” nije dovoljna bez dodatnog određenja. Može označivati smanjenje pogreške prognoze, smanjenje ukupnog troška, povećanje raspoloživosti robe ili bolju usklađenost između razine usluge i angažiranog kapitala. Sustav može biti učinkovit prema jednoj mjeri, a nepovoljan prema drugoj. Primjerice, veća dostupnost robe može istodobno značiti i veći trošak držanja. Zato se rezultat mora promatrati u odnosu na unaprijed određenu svrhu i mjeru ishoda.

Isto vrijedi za usporedbu čovjeka i algoritma. Čovjek može donositi odluku na temelju podataka, iskustva i kontekstualnih informacija, dok AI može obrađivati veći broj varijabli prema formaliziranom postupku. Ako se takvi postupci uspoređuju prema različitim zadacima ili različitim ograničenjima, rezultat ne pokazuje koji je pristup učinkovitiji, nego samo da su zadaci bili različiti. Stoga usporedba mora obuhvatiti istu odluku, iste ulazne podatke i istu funkciju ishoda.

Rad je organiziran oko sedam tematskih cjelina iz briefa, razrađenih kroz dvadeset poglavlja. Tamo gdje literatura omogućuje sadržajnu analizu, izlažu se modeli i kriteriji. Tamo gdje literatura ne omogućuje izravan zaključak, to se navodi kao ograničenje prikupljenog korpusa, a ne kao dokaz da određeni učinak ne postoji. Takav pristup omogućuje razlikovanje onoga što je u korpusu izravno poduprto od onoga što ostaje teorijska mogućnost ili otvoreno istraživačko pitanje.

2. Ekonomika zaliha

Zaliha je operativni mehanizam kojim se raspoloživost robe povezuje s troškovima držanja i nestašice (Reid i Sanders, 2012). Ona omogućuje da se potražnja ne mora u svakom trenutku poklapati s neposrednom dobavom. Istodobno, svaka količina robe koja se drži iznad trenutačne potražnje nosi određene troškove i rizike.

Upravljanje zalihama zato nije jednostavno pitanje povećanja ili smanjenja količine robe. Veća zaliha može smanjiti vjerojatnost da potražnja ostane nezadovoljena, ali istodobno povećava količinu kapitala vezanog u robi, potrebu za skladišnim prostorom i izloženost gubitku vrijednosti. Manja zaliha može smanjiti trošak držanja, ali povećati rizik nestašice ako potražnja ili vrijeme dobave odstupaju od očekivanja.

Referentni modeli zaliha povezuju potražnju, dobavu i troškove s operativnim odlukama o naručivanju i razini zalihe (Reid i Sanders, 2012; Bruzda, 2020; Chopra i sur., 2004). U toj perspektivi zaliha nije izolirana računovodstvena kategorija, nego dio sustava u kojem odluke o naručivanju proizvode posljedice za dostupnost robe i troškovnu strukturu.

Širi udžbenički pristupi upravljanju zalihama i opskrbnim lancem naglašavaju da se zalihe moraju promatrati zajedno s nabavom, proizvodnjom, transportom i planiranjem (Axsäter, 2015; Zipkin, 2000; Chopra, 2019; Silver i sur., 2017). Međutim, prikupljeni materijal za ta referentna djela uglavnom potvrđuje bibliografski identitet i predmet izvora, a ne otvara sva relevantna poglavlja. Zato se konkretne tvrdnje u ovom radu oslanjaju prvenstveno na izvore čiji je sadržaj otvoren ili je potvrđen na razini sažetka.

Ekonomska važnost zalihe proizlazi iz njezina dvostrukog karaktera. Ona istodobno štiti raspoloživost i stvara trošak. Odluka o optimalnoj količini ne može se donijeti promatranjem samo jedne od tih funkcija. Sustav koji smanjuje držanje zalihe, ali povećava nestašice, nije nužno učinkovitiji. Jednako tako, sustav koji povećava dostupnost, ali gomila robu s visokim troškom držanja, ne mora stvarati bolji ukupni rezultat.

U takvom okviru odluka o zalihi može se razumjeti kao izbor prihvatljivog kompromisa. Nije cilj nužno ukloniti svaku nestašicu niti držati najmanju moguću količinu robe. Cilj je povezati razinu usluge s troškovima i rizicima koji su prihvatljivi za konkretni poslovni sustav. Prikupljeni korpus ne daje jednu univerzalnu granicu tog kompromisa. On podupire potrebu da se odnos između dostupnosti i troška izričito uključi u analizu.

Za procjenu AI-ja to znači da model ne treba promatrati izolirano od odluke koju podupire. Ako sustav poboljša procjenu potražnje, ali njegovo korištenje dovede do prevelike zalihe, sama prognozna prednost nije dovoljna. Ako sustav smanji količinu zalihe, ali izazove više nestašica, ni taj rezultat ne može se proglasiti boljim bez određivanja vrijednosti posljedica. Ekonomska analiza počinje tek kada se prognoza poveže s posljedicom odluke.

3. Zaliha kao imovina, sigurnost i teret

Zaliha se u poslovnom sustavu može promatrati kao imovina, ali njezina knjigovodstvena vrijednost ne iscrpljuje ekonomsku analizu. Količina zalihe određuje koliko je kapitala vezano u robi i koliko dugo taj kapital ne može biti upotrijebljen za druge poslovne svrhe. U otvorenom prikazu relevantnih troškova upravljanja zalihama kapitalni troškovi navedeni su kao sastavnica troška držanja (Reid i Sanders, 2012).

Zaliha je istodobno zaštitni mehanizam. Ona omogućuje da se određena potražnja zadovolji i kada dobava nije trenutačna ili kada se potražnja razlikuje od očekivanja. No ta zaštita nije besplatna. Što je zaštitni sloj veći, to su veći izloženost robe skladištenju, rizik gubitka vrijednosti i količina kapitala koja ostaje vezana u robi.

Upravo zato zaliha nije samo „imovina” u smislu posjedovanja robe. Za odluku o količini relevantni su kapitalni trošak, skladištenje i rizik držanja (Reid i Sanders, 2012). Prikupljeni izvor podupire tvrdnju o kapitalnom trošku, ali ne zahtijeva korištenje šireg termina „oportunitetni trošak kapitala”. Sigurnija je formulacija da količina zalihe stvara kapitalni trošak držanja.

Ta razlika važna je za procjenu AI-ja. Algoritam koji smanjuje prognoznu pogrešku može izgledati uspješnije od jednostavnije metode, ali ako zbog te prognoze sustav drži znatno veći zaštitni sloj, prognozna prednost ne mora proizvesti ekonomsku prednost. Vrijednost sustava zato treba procjenjivati prema posljedici odluke, a ne samo prema kvaliteti predviđanja.

Zaliha je također povezana s razinom dostupnosti. Kada se roba drži kako bi se zaštitilo od nesigurne potražnje ili dobave, cilj nije nužno maksimalna dostupnost, nego određena razina usluge uz prihvatljiv trošak. Ta veza između dostupnosti i troška čini ekonomiku zaliha problemom kompromisa, a ne jednostavne maksimizacije.

Ovaj dvostruki karakter zalihe otežava izravnu usporedbu ljudskog i algoritamskog odlučivanja. Čovjek može procijeniti da je određeni višak robe prihvatljiv zbog očekivanog događaja ili poznatog problema u dobavi. Algoritam može takvu odluku donijeti samo ako je relevantna informacija sadržana u podacima ili pravilima sustava. S druge strane, algoritam može dosljedno primjenjivati zadanu funkciju, dok ljudska procjena može varirati među osobama ili kroz vrijeme.

Prikupljeni izvori ne omogućuju zaključak da je jedna od tih sposobnosti uvijek važnija. Omogućuju oprezniju tvrdnju: ekonomski učinak ovisi o tome kako sustav povezuje količinu zalihe, raspoloživost i troškove. Bez takve poveznice ni imovinska vrijednost robe ni njezina zaštitna funkcija ne daju dovoljan kriterij za ocjenu odluke.

4. Trošak držanja zalihe

Trošak držanja obuhvaća troškove povezane s kapitalom vezanim u zalihi, skladištenjem i rizikom držanja robe (Reid i Sanders, 2012). Nabavna cijena robe nije isto što i trošak držanja. Nabavna cijena nastaje pri kupnji, dok se trošak držanja odnosi na posljedice toga da roba ostaje u sustavu određeno vrijeme.

Kapitalni dio troška nastaje zato što novac uložen u zalihu nije raspoloživ za druge namjene. U ekonomskoj odluci to znači da količina robe ima posljedicu i kada se roba ne ošteti i kada se proda. Kapital je u međuvremenu vezan u zalihu, pa sustav mora procijeniti opravdava li dodatna količina robe smanjeni rizik nestašice.

Skladišni dio obuhvaća potrebu za prostorom, rukovanjem i održavanjem robe. U dostupnom korpusu ti elementi navedeni su kao sastavnice troška držanja, ali nisu pronađene precizne brojke koje bi omogućile univerzalno izračunavanje njihova udjela. Zato ovaj rad ne izvodi opći postotak troška držanja niti tvrdi da je određena sastavnica uvijek dominantna.

Rizik držanja povezan je s mogućnošću da roba izgubi vrijednost. U pojmovnom okviru istraživačkog dosjea navedeni su zastarijevanje, kvarenje i gubitak vrijednosti, ali prikupljeni izvori ne daju jedinstvenu novčanu procjenu tih posljedica. Njih treba razumjeti kao kategorije troška i rizika, a ne kao kvantificirane nalaze koji bi vrijedili za sve proizvode.

AI može pomoći u prepoznavanju obrazaca koji utječu na buduću potražnju, ali sama prediktivna sposobnost ne određuje trošak držanja. Za to je potrebno da se prognoza poveže s pravilom ili optimizacijskim postupkom koji odlučuje koliko robe treba držati. Tu se pojavljuje razlika između prediktivne i preskriptivne analitike.

Prediktivni sustav procjenjuje što bi se moglo dogoditi. Preskriptivni sustav povezuje tu procjenu s odlukom. Bertsimas i Kallus (2020) upravo ističu da strojno učenje treba povezati s optimizacijom odluke, a ne procjenjivati isključivo prema pogrešci prognoze. U slučaju zaliha to znači da model mora biti povezan s troškovima, servisnim ograničenjima i pravilima naručivanja.

Razlika između tih dviju razina može se prikazati kroz posljedice iste prognoze. Prognoza može pokazati očekivanu potražnju, ali ne određuje sama koliko je odstupanje prihvatljivo ni koliki zaštitni sloj treba postaviti. Ta odluka ovisi o trošku viška, trošku manjka i cilju sustava. Ako se model vrednuje prije nego što se odredi kako će prognoza biti upotrijebljena, vrednuje se samo jedan dio procesa.

Upravo zbog toga nije dovoljno reći da AI može obraditi više varijabli. Dodatne varijable imaju ekonomsku vrijednost samo ako poboljšavaju odluku prema određenom kriteriju. Ako povećavaju složenost, ali ne mijenjaju kvalitetu naručivanja ili razinu usluge, prednost nije dokazana. Korpus podupire tu opreznost, ali ne nudi univerzalni model kojim bi se za svako poduzeće izračunalo kada je složeniji pristup opravdan.

5. Zastarijevanje, kvarenje i gubitak vrijednosti

Rizik držanja zalihe nije jednak za sve proizvode. Neke se zalihe mogu dugo čuvati bez većeg gubitka vrijednosti, dok druge mogu zastarjeti, pokvariti se ili izgubiti tržišnu privlačnost. U dosjeu su zastarijevanje, kvarenje i gubitak vrijednosti navedeni kao sastavnice troška držanja, ali za njih nisu dostavljene precizne empirijske procjene.

To ograničenje važno je kada se razmatra AI. Sustav koji predviđa potražnju ne odlučuje samo o količini robe, nego posredno i o izloženosti tih rizika. Ako procjena potražnje vodi prema većoj narudžbi, ekonomski učinak ovisi i o tome koliko je roba osjetljiva na gubitak vrijednosti. Sama prognozna točnost ne pokazuje je li dodatna količina opravdana.

Upravljanje takvom zalihom zahtijeva da se prognoza i troškovna funkcija promatraju zajedno. Ista pogreška prognoze može imati različite posljedice za robu koja brzo zastarijeva i za robu čija se vrijednost sporije mijenja. Prikupljeni korpus ne omogućuje brojčanu usporedbu tih slučajeva, pa se ne može tvrditi da AI u svim kategorijama robe proizvodi jednak ekonomski učinak.

Uloga algoritma može biti u tome da poveže više varijabli i prepozna obrasce koji nisu vidljivi pri ručnom odlučivanju. Pregledi velikih podataka i strojnog učenja navode da takvi pristupi mogu obrađivati veći broj varijabli i složenije obrasce od jednostavnijih pristupa (Seyedan i Mafakheri, 2020). No taj potencijal ne znači da je model nužno bolji za svaki proizvod ili svaku vrstu potražnje.

Kada je rizik zastarijevanja visok, sustav bi morao uzeti u obzir ne samo očekivanu prodaju nego i posljedice prevelike narudžbe. Kada je rizik nestašice posebno važan, sustav bi morao uzeti u obzir i posljedice premale narudžbe. Takav problem prirodno vodi prema troškovnoj funkciji koja razlikuje trošak držanja i trošak nestašice.

Ovdje je važno razlikovati predviđanje količine od procjene njezina ekonomskog vijeka. Model može procijeniti da će se određena količina prodavati, ali prikupljeni materijal ne potvrđuje da svaki AI sustav istodobno procjenjuje koliko dugo roba može ostati u zalihi bez gubitka vrijednosti. Ako se ta dimenzija ne uključi u odluku, veća prognozna preciznost ne rješava problem prevelike zalihe.

U dostupnoj literaturi nema metaanalize koja bi izravno povezala AI metodu, trošak držanja, trošak nestašice i gubitak vrijednosti robe u jedinstven zaključak. Zato se može govoriti o konceptualnoj ulozi tih varijabli, ali ne o potvrđenoj univerzalnoj ekonomskoj prednosti AI-ja.

To ograničenje također utječe na izbor podataka. Ako je određeni rizik važan, on mora biti predstavljen u podatkovnom i odlučivačkom sustavu. Sama činjenica da algoritam može obraditi velik broj podataka ne znači da je među njima i podatak koji opisuje zastarijevanje, kvarenje ili gubitak vrijednosti. Korpus dopušta zaključak da takvi rizici moraju biti povezani s odlukom, ali ne određuje kako ih svako poduzeće treba mjeriti.

6. Trošak nestašice

Trošak nestašice nastaje kada raspoloživa zaliha ne može zadovoljiti potražnju (Reid i Sanders, 2012). U dosjeu se kao posljedice nestašice navode izgubljena prodaja, kašnjenje, prekid proizvodnje, hitna nabava i moguće narušavanje odnosa s kupcima. Te kategorije pokazuju zašto nestašica ne znači samo da jedna prodajna transakcija nije provedena.

Ipak, prikupljeni korpus ne sadržava dovoljno podataka za izračun novčane vrijednosti svake od tih posljedica. Nisu potvrđeni univerzalni iznosi izgubljene prodaje, troška hitne nabave, prekida proizvodnje ili gubitka lojalnosti kupaca. Stoga se u ovom radu te posljedice obrađuju kao kategorije rizika, a ne kao kvantificirani rezultati.

Trošak nestašice može biti neposredan ili posredan. Neposredan se odnosi na situaciju u kojoj potražnja nije zadovoljena. Posredan se može odnositi na kašnjenje procesa, potrebu za hitnom nabavom ili pogoršanje odnosa s kupcem. Međutim, opseg i vrijednost tih posljedica ovise o poslovnom kontekstu, proizvodu, ugovornim odnosima i mogućnosti zamjene dobavljača.

Fill rate je servisna mjera, a ne novčani trošak. Ona opisuje udio potražnje zadovoljen raspoloživom zalihom (Bruzda, 2020). Fill rate može biti povezan s troškom nestašice, ali ga ne zamjenjuje. Visok fill rate može zahtijevati veću zalihu, a veća zaliha povećava trošak držanja. Zato servisna razina mora biti povezana s ekonomskim kriterijem.

Ova razlika važna je i za AI. Algoritam može poboljšati predviđanje potražnje, ali odluka o zalihi mora odrediti koliko je nestašice prihvatljivo u odnosu na trošak držanja. Ako sustav optimizira samo prognoznu pogrešku ili samo dostupnost, ne mora optimizirati ukupni ekonomski ishod.

Bruzda (2020) povezuje prognoziranje s fill rate ograničenjem i odlukom o točki ponovnog naručivanja. Time se pokazuje da prognoza treba biti usklađena s odlukom koju podupire. Prosječna prognoza može biti korisna za određene svrhe, ali nije nužno dovoljna za odluku o razini zalihe koja treba zadovoljiti određenu servisnu mjeru.

Pri procjeni troška nestašice potrebno je razlikovati i učestalost od težine posljedice. Dvije politike mogu imati sličan broj nestašica, ali različite ekonomske rezultate ako se nestašice događaju kod proizvoda različite važnosti ili u različitim fazama procesa. Prikupljeni korpus ne pruža univerzalnu novčanu funkciju za takvo razlikovanje. Zato se ne može zaključiti da će model koji smanjuje broj nestašica nužno smanjiti i ukupni trošak.

Isto vrijedi za fill rate. Viši udio zadovoljene potražnje može biti poželjan, ali nije sam po sebi dokaz boljeg poslovnog ishoda. Ako se viši fill rate postiže povećanjem zalihe koje je skuplje od izbjegnutih nestašica, odluka može biti ekonomski nepovoljnija. Kriterij mora uključivati odnos između usluge i troška, a ne samo jednu od tih dimenzija.

7. Izgubljena prodaja, hitna nabava i kupci

Nestašica može smanjiti sposobnost poduzeća da zadovolji postojeću potražnju. U maloprodaji to se može pojaviti kao izgubljena prodaja ili odgoda kupnje. U proizvodnom sustavu nestašica može biti povezana s prekidom procesa. U nabavi može izazvati potrebu za hitnom narudžbom. Dosje navodi te kategorije, ali ne daje dovoljno podataka za procjenu njihova novčanog iznosa.

Oprezan način pisanja zato mora razlikovati opis mehanizma od dokazanog učinka. Može se reći da nestašica stvara trošak kada potražnja ne može biti zadovoljena. Ne može se bez dodatnih podataka reći koliko je poduzeće izgubilo, koliko je kupaca odustalo ili koliko se povećao trošak hitne nabave.

Za odluku o zalihama to znači da trošak nestašice mora biti specificiran za konkretan poslovni slučaj. Ako je trošak nestašice visok, sustav može opravdano držati veću zaštitnu zalihu. Ako je roba lako zamjenjiva ili kupac može pričekati, prihvatljiva razina dostupnosti može biti drugačija. Prikupljeni izvori ne pružaju jednu opću funkciju koja bi vrijedila za sve te situacije.

Uloga čovjeka u tom području može biti povezana s poznavanjem konteksta. Nabavljač može znati da određeni kupac ima strogi rok, da se približava poseban događaj ili da se dobavljač suočava s problemom koji nije vidljiv u povijesnim podacima. Literatura o prosudbenom prognoziranju navodi da ljudska prosudba može uključiti informacije o posebnim događajima, ali je također podložna pristranostima (Lawrence i sur., 2006).

AI može obraditi veći broj podataka i pomoći u ranom prepoznavanju odstupanja, ali ne može se iz prikupljenog korpusa zaključiti da će samostalno prepoznati svaku poslovno relevantnu posljedicu nestašice. Za takav zaključak bio bi potreban izravan empirijski test na istoj nabavnoj funkciji, s jasno definiranim troškovima i servisnom razinom.

Razlika između izgubljene prodaje i hitne nabave dodatno pokazuje zašto kategorije nestašice nisu međusobno zamjenjive. U jednom slučaju posljedica može biti da se prodaja ne ostvari, a u drugom da se potražnja zadovolji uz veći trošak. Obje situacije mogu nastati zbog nedostatne zalihe, ali zahtijevaju različitu procjenu ekonomskog ishoda. Model koji ih tretira kao isti događaj može izgubiti važnu informaciju za odluku.

Slično vrijedi za odnose s kupcima. U dostupnom materijalu navodi se moguće narušavanje odnosa, ali ne postoji potvrđena univerzalna procjena njegove vrijednosti. Zato je opravdano govoriti o mogućoj posljedici, ali nije opravdano tvrditi da će svaka nestašica proizvesti mjerljiv gubitak lojalnosti ili da će određeni AI sustav taj gubitak smanjiti.

8. Predviđanje potražnje

Prognoziranje potražnje procjena je buduće potražnje na temelju podataka, modela i vremenskog horizonta (Hyndman i Athanasopoulos, 2021; Petropoulos i sur., 2022). U kontekstu zaliha prognoza služi kao ulaz u odluke o naručivanju, sigurnosnoj zalihi i servisnoj razini.

Literatura o prognoziranju obuhvaća klasične vremenske i regresijske metode, kao i metode strojnog učenja koje se uspoređuju s baznim pristupima (Hyndman i Athanasopoulos, 2021; Seyedan i Mafakheri, 2020; Carbonneau i sur., 2008). To ne treba opisivati kao dokazani povijesni prijelaz iz jedne faze u drugu. Sigurnije je reći da korpus sadržava različite skupine metoda koje se mogu uspoređivati prema obilježjima podataka i svrsi odluke.

Tradicionalne metode mogu biti prikladne kada podaci imaju obrasce koje je moguće opisati vremenskim, regresijskim ili sezonskim komponentama. Regionalna studija prognoziranja maloprodajne potražnje jestivog ulja uspoređivala je Holtov i Wintersov model prema MAPE-u te pokazala važnost izbora metode za planiranje kapaciteta i zaliha u konkretnom maloprodajnom kontekstu (Dunković, 2004).

ML metode uključuju različite pristupe, među kojima su neuronske mreže, regresija, ARIMA, SVM i stabla odlučivanja (Seyedan i Mafakheri, 2020). Usporedna studija Carbonneaua i suradnika (2008) razmatrala je tradicionalne i složenije metode na simuliranom opskrbnom lancu i stvarnim narudžbama kanadske ljevaonice. U sažetku je navedeno da su RNN i SVM postigli najbolje rezultate, ali njihova prednost nad regresijom nije bila statistički značajna.

Taj nalaz je važan jer pokazuje da složenost modela nije sama po sebi dokaz kvalitete. Model koji koristi više varijabli ili napredniji algoritam može biti koristan, ali njegova vrijednost mora se procijeniti prema usporednom baznom modelu, podacima i mjeri pogreške. Makridakis i suradnici (2018) također upozoravaju na probleme usporedbe statističkih i ML metoda te na potrebu da se tvrdnje o superiornosti ne izvode bez odgovarajućeg testiranja.

Prognoza također ovisi o vremenskom horizontu. Model može biti prikladan za kratkoročno predviđanje, ali manje prikladan za odluku čije se posljedice protežu kroz dulje vrijeme dobave. Prikupljeni izvori naglašavaju važnost horizonta i svrhe prognoziranja, pa se metoda ne može ocijeniti bez navođenja odluke za koju je namijenjena.

Dodatno, pogreška prognoze nije jednako važna u svim smjerovima. Podcjenjivanje može imati posljedice povezane s nestašicom, dok precjenjivanje može povećati trošak držanja. Zbog toga prosječna mjera pogreške ne mora u potpunosti opisati ekonomsku vrijednost prognoze. Ovaj rad ne uvodi novu mjeru, nego naglašava da prognoznu točnost treba povezati s odlukom koju prognoza podupire.

9. Tradicionalne metode i bazni modeli

Tradicionalne metode imaju važnu ulogu u procjeni AI-ja jer pružaju bazu za usporedbu. Ako se novi model uspoređuje samo s vrlo slabim ili neprikladnim baznim modelom, njegova prednost može izgledati veća nego što bi bila u usporedbi s dobro odabranom tradicionalnom metodom.

Hyndman i Athanasopoulos (2021) naglašavaju da izbor metode treba slijediti obilježja podataka, horizont prognoze i svrhu prognoziranja. To je posebno važno u zalihama, gdje prognoza nije sama sebi svrha. Metoda koja je primjerena za jedan vremenski horizont ili jednu vrstu potražnje ne mora biti primjerena za odluku o sigurnosnoj zalihi ili točki ponovnog naručivanja.

Dunković (2004) pruža regionalni primjer u kojem se tradicionalne metode uspoređuju u konkretnom maloprodajnom kontekstu. Takav primjer ne dokazuje da su tradicionalne metode općenito najbolje, ali pokazuje da izbor metode mora biti povezan s obilježjima konkretnog proizvoda i tržišta.

Tradicionalne metode također mogu imati prednost u transparentnosti i jednostavnosti primjene. Iz dostupnog materijala ne može se izvesti opća tvrdnja da su uvijek interpretabilnije ili jeftinije, ali njihova uloga kao usporedne osnove vidljiva je u radovima koji uspoređuju više metoda prognoziranja.

ML pristup treba zato procjenjivati prema tome donosi li dodatnu vrijednost u odnosu na relevantni bazni model. Ta dodatna vrijednost može biti u prognoznoj točnosti, ali za nabavu je važna i posljedica na naručivanje, razinu zalihe i servisnu mjeru. Ako se vrednuje samo pogreška prognoze, zanemaruje se ekonomska svrha prognoziranja.

U tom smislu pitanje „je li AI bolji od tradicionalne metode?” nema jedan odgovor. Preciznije pitanje glasi: za koju vrstu podataka, na kojem horizontu, uz koju funkciju troška i za koju odluku određeni AI ili ML model proizvodi bolji ishod od usporednog pristupa?

Bazni model ne treba shvatiti samo kao tehničku formalnost. On određuje s čime se složeniji sustav uspoređuje. Ako bazni model ne odgovara podacima ili odluci, razlika u rezultatu može odražavati loš izbor usporedbe, a ne stvarnu prednost AI-ja. Korpus podupire potrebu za pažljivim uspoređivanjem, ali ne daje jedan bazni model koji bi vrijedio za sve situacije.

Za nabavu je važna i posljedica primjene modela. Dva modela mogu imati sličnu prognoznu pogrešku, ali dovesti do različitih količina narudžbe ako se njihove procjene koriste u različitim pravilima. Stoga se model ne smije ocjenjivati izvan procesa u kojem se primjenjuje. Njegov rezultat treba promatrati zajedno s odlukom o zalihi, vremenom dobave i odabranom servisnom mjerom.

10. ML i AI pristupi prognoziranju

ML metode mogu obraditi velik broj varijabli i složenije obrasce potražnje od jednostavnijih pristupa (Seyedan i Mafakheri, 2020; Walter i sur., 2025). U opskrbnom lancu to može uključivati povijesnu potražnju, obrasce dobave i druge pomoćne podatke, ali prikupljeni korpus ne omogućuje popis svih varijabli koje bi u svakom slučaju trebalo uključiti.

Pregledi AI-ja u opskrbnom lancu razlikuju AI alate, njihove funkcionalne primjene i ishode u opskrbnom sustavu (Toorajipour i sur., 2021). AI se ne pojavljuje samo u prognoziranju, nego i u izboru dobavljača i odlučivanju. Međutim, raspoloživost modela za određenu funkciju ne znači da je ta funkcija organizacijski spremna za autonomno izvršavanje.

Primjena ML-a za prognoziranje sama po sebi ne znači da sustav samostalno provodi nabavnu odluku. Za takvu odluku potrebne su dodatne preskriptivne i organizacijske komponente (Walter i sur., 2025; Bertsimas i Kallus, 2020). Sustav mora znati kako prognozu pretvoriti u količinu narudžbe, kako procijeniti dobavljače, kako postupati u slučaju odstupanja i kada odluku prepustiti čovjeku.

Usporedna literatura ne podupire univerzalnu tvrdnju da složeniji modeli uvijek proizvode bolju prognozu. Carbonneau i suradnici (2008) navode rezultate u kojima su složenije metode postigle najbolje rezultate, ali bez statistički značajne prednosti nad regresijom. Makridakis i suradnici (2018) naglašavaju potrebu za pažljivim uspoređivanjem metoda.

AI može biti koristan kada u podacima postoji obrazac koji jednostavniji model ne obuhvaća. No model može biti osjetljiv na kvalitetu podataka, promjenu obrasca potražnje i način vrednovanja. Seyedan i Mafakheri (2020) izričito navode da korist ML-a ovisi o kvaliteti podataka i kontekstu.

Zato se u ovom radu AI ne tretira kao jedinstvena tehnologija. Pod tim se nazivom mogu nalaziti različiti modeli, različite vrste podataka i različite razine automatizacije. Za ekonomsku procjenu potrebno je opisati što model predviđa, koju odluku podržava i koja se metrika koristi za ocjenu ishoda.

Razlika između AI metode i AI sustava također je važna. Model može izrađivati prognozu, dok sustav obuhvaća podatke, pravila, korisničke odluke, iznimke i nadzor. U raspravi o nabavi ne bi trebalo pripisivati modelu funkcije koje pripadaju širem sustavu. Ako se u izvoru opisuje prognoziranje, iz toga se ne može automatski izvesti da isti pristup autonomno određuje dobavljača ili izdaje narudžbu.

ML pristupi mogu povećati broj informacija koje se uzimaju u obzir, ali veći broj informacija ne znači nužno bolju odluku. Ako su podaci nepotpuni, zastarjeli ili slabo povezani s poslovnim ishodom, složeniji model može samo preciznije obrađivati neprikladan ulaz. Zato kvaliteta modela i kvaliteta odluke ostaju odvojena pitanja.

11. Sezonalnost, promocije i vanjski signali

Planiranje potražnje nije samo ekstrapolacija prošle prodaje. U poslovnom kontekstu potražnja može biti povezana s obrascima koji nisu jednako vidljivi u svim razdobljima. Sezonalnost, posebni događaji, promocije i promjene u vremenu dobave mogu utjecati na odluku o zalihama. Prikupljeni izvori podupiru korištenje različitih podataka i pomoćnih varijabli, ali ne pružaju univerzalni popis signala koji bi vrijedio za svako poduzeće.

AI i analitika velikih podataka mogu uključiti veći broj varijabli nego jednostavniji ručni postupci (Seyedan i Mafakheri, 2020). To je potencijalna prednost u situacijama u kojima su obrasci potražnje složeni. Ipak, veći broj varijabli ne znači automatski bolji model. Podaci moraju biti relevantni, dostupni i dovoljno pouzdani za konkretnu odluku.

Ljudsko prosuđivanje može biti važno kada se pojavi poseban događaj koji nije sadržan u povijesnim podacima. Lawrence i suradnici (2006) navode da ljudska prosudba može dopuniti prognoziranje, dok Sanders i Manrodt (2003) pokazuju da izbor između prosudbenih i kvantitativnih pristupa ovisi i o organizacijskom kontekstu.

To ne znači da čovjek uvijek vidi signal koji algoritam ne može vidjeti, niti da će ljudska intervencija poboljšati prognozu. Ljudska prosudba može unijeti relevantnu informaciju, ali može biti i pristrana. Zato je važno razlikovati dostupnost kontekstualne informacije od dokazanog poboljšanja ishoda.

AI može pomoći u strukturiranju tih signala. Sustav može omogućiti da se posebna informacija zabilježi, poveže s prognozom i naknadno usporedi s ostvarenim rezultatom. Međutim, u prikupljenom korpusu nema izravnog testa koji bi pokazao da takav hibridni postupak dosljedno smanjuje trošak zalihe ili trošak nestašice.

Najprikladniji zaključak jest da kontekstualni signali mogu biti relevantni za planiranje potražnje, ali njihov ekonomski doprinos mora se procijeniti u konkretnom sustavu. AI nije vrijedan zato što koristi više podataka, nego samo ako dodatni podaci poboljšavaju odluku prema unaprijed određenoj funkciji ishoda.

Sezonalnost pokazuje da podaci iz različitih razdoblja ne moraju imati jednaku vrijednost za buduću odluku. Promocija ili poseban događaj može promijeniti potražnju na način koji nije vidljiv iz uobičajenog obrasca. Ako se takva informacija ne zabilježi, model može pogrešno tumačiti porast ili pad prodaje. Korpus dopušta navođenje tog problema, ali ne daje univerzalno rješenje za sve vrste događaja.

Promocije također mogu utjecati na odnos između prognoze i zalihe. Ako se očekuje povećana potražnja, odluka o naručivanju ne ovisi samo o prosjeku prethodnih razdoblja, nego i o tome kako je dodatni signal uključen u proces. Bez izravnog empirijskog testa ne može se tvrditi da će AI takve signale uvijek bolje obraditi od čovjeka ili tradicionalne metode.

12. Točka ponovnog naručivanja

Točka ponovnog naručivanja (reorder point) jest odluka-razina zalihe povezana s potražnjom tijekom vremena dobave i odabranom servisnom mjerom (Bruzda, 2020). To znači da se pitanje „kada naručiti?” ne može odvojiti od pitanja koliko se robe očekuje tijekom vremena potrebnog da nova narudžba stigne.

Točka ponovnog naručivanja nije isto što i količina narudžbe. Prvo pitanje odnosi se na trenutak pokretanja narudžbe, a drugo na količinu koja se naručuje. Bruzda (2020) povezuje prognoziranje s točkom ponovnog naručivanja i ograničenjem fill ratea, čime pokazuje da prognoza mora biti prilagođena odluci koju podupire.

U najjednostavnijem obliku sustav bi mogao promatrati očekivanu potražnju tijekom dobave. No kada su potražnja ili vrijeme dobave promjenjivi, sama očekivana vrijednost nije dovoljna. Potrebno je uključiti zaštitu od odstupanja i odabrati servisnu razinu. Specifične formule i uvjeti tih modela nisu u cijelosti otvoreni za sva referentna djela, pa se ovdje ne izvodi jedna opća formula točke ponovnog naručivanja.

AI može pridonijeti toj odluci na dvije razine. Prvo, može poboljšati procjenu potražnje tijekom vremena dobave. Drugo, može povezati procjenu s funkcijom koja uzima u obzir servisnu razinu i troškove. Druga razina je preskriptivna i ne proizlazi automatski iz prve.

Ako model predvidi prosječnu potražnju, a sustav zanemari njezinu varijabilnost, točka ponovnog naručivanja može biti preniska za željenu servisnu razinu. Ako sustav pretjerano reagira na svako odstupanje, može naručivati prevelike količine i povećavati trošak držanja. Zato je odluka o toj točki ekonomski problem, a ne samo prognostički.

Bruzda (2020) važna je upravo zato što povezuje prognozu s fill rateom i točkom ponovnog naručivanja. U toj perspektivi kvaliteta prognoze procjenjuje se prema tome koliko dobro podupire odluku o usluzi i zalihi, a ne samo prema apstraktnoj mjeri prognozne pogreške.

Točka ponovnog naručivanja također pokazuje da se vrijeme dobave mora tretirati kao dio odluke. Prognoza potražnje za razdoblje koje nije povezano s vremenom dobave može biti korisna za šire planiranje, ali nije dovoljna za određivanje trenutka naručivanja. Ako se vrijeme dobave promijeni, ista procjena potražnje može dovesti do druge razine potrebne zaštite.

U prikupljenom korpusu nema potvrđene empirijske usporedbe AI sustava i klasične politike točke ponovnog naručivanja u istom poslovnom sustavu. Stoga se može analizirati kako bi AI mogao podržati takvu odluku, ali ne i tvrditi da je rezultat nužno bolji. Učinak bi trebalo mjeriti prema istoj servisnoj razini, istim troškovima i istim uvjetima dobave.

13. Sigurnosna zaliha i servisna razina

Sigurnosna zaliha (safety stock) dodatna je zaliha koja štiti od varijabilnosti potražnje i vremena dobave pri zadanoj servisnoj razini (Chopra i sur., 2004). Ona nije fiksna količina neovisna o uvjetima sustava. Njezina veličina povezana je s potražnjom, vremenom dobave, njegovom varijabilnošću i odabranom servisnom mjerom.

Chopra, Reinhardt i Dada (2004) analiziraju utjecaj neizvjesnosti vremena dobave na sigurnosne zalihe. Njihov nalaz, kako je prenesen u dosjeu, jest da smanjenje vremena dobave i smanjenje njegove varijabilnosti mogu smanjiti zalihe, ali učinak ovisi o servisnoj razini i uvjetima sustava.

To znači da nije dovoljno promatrati samo prosječno vrijeme dobave. Vrijeme dobave i varijabilnost vremena dobave nisu ista dimenzija. Sustav s relativno kratkim, ali vrlo promjenjivim vremenom dobave može zahtijevati drukčiji zaštitni sloj od sustava s duljim, ali stabilnijim vremenom dobave.

Wang, Zinn i Croxton (2010) dodatno upozoravaju na povezanost potražnje i vremena dobave. Ako su ta dva elementa povezana, određivanje potražnje tijekom vremena dobave i sigurnosne zalihe ne može se temeljiti na pretpostavci da su potpuno odvojeni. AI sustav koji predviđa samo potražnju, a zanemaruje dobavu i moguću povezanost tih procesa, može pogrešno odrediti zaštitnu zalihu.

Ovdje treba zadržati modalnu ogradu. Nije dopušteno tvrditi da se isti model sigurnosne zalihe primjenjuje neovisno o distribuciji potražnje, servisnoj razini, varijabilnosti i korelaciji. Zaključak vrijedi za modele i uvjete koje izvori razmatraju.

Prikupljeni korpus nema javno potvrđenu empirijsku usporedbu AI-modela sigurnosne zalihe s klasičnim modelom u stvarnom poslovnom sustavu. Zato se može analizirati kako bi AI mogao uključiti više izvora neizvjesnosti, ali ne i tvrditi da je takav pristup ekonomski superioran.

Sigurnosna zaliha pokazuje i zašto prognoziranje prosjeka nije jednako prognoziranju rizika. Za odluku nije relevantna samo očekivana potražnja, nego i odstupanje koje sustav želi pokriti. Ako se promijeni servisna razina, može se promijeniti i prihvatljiva količina zaštitne zalihe. Ako se promijeni vrijeme dobave, promjena može nastati i bez promjene prognozirane potražnje.

AI može biti koristan ako u modelu istodobno obrađuje potražnju, dobavu i njihovu moguću povezanost. Međutim, model koji koristi više ulaznih varijabli nije automatski bolji ako organizacijski proces ne može osigurati njihovu kvalitetu ili ako troškovna funkcija nije jasno definirana. Učinkovitost ostaje ovisna o sustavu u kojem se model primjenjuje.

14. Veza prognoze i odluke o naručivanju

Prognoza i odluka o naručivanju nisu ista mjerna varijabla. Prognoza procjenjuje buduću potražnju, dok odluka određuje kada i koliko naručiti. Preskriptivna analitika nastoji povezati te dvije razine tako da model ne završava na procjeni, nego podupire ili optimizira odluku (Bertsimas i Kallus, 2020).

To je središnja razlika za pitanje ekonomske učinkovitosti. Ako se AI ocjenjuje samo prema prognoznoj pogrešci, moguće je previdjeti da različite pogreške imaju različite troškove. Podcjenjivanje potražnje može izazvati nestašicu, dok precjenjivanje može izazvati višak zalihe. Posljedice ovise o proizvodu, dobavljaču, servisnoj razini i sposobnosti sustava da se prilagodi.

Preskriptivni pristup povezuje prognoziranje s optimizacijom odluke o zalihama, pa se njegova vrijednost ne procjenjuje samo pogreškom prognoze (Bertsimas i Kallus, 2020). To ne znači da je preskriptivni pristup automatski bolji. Njegova vrijednost mora se dokazati u usporedbi s relevantnim pravilima ili drugim politikama naručivanja.

U prikupljenom korpusu nema dovoljno podataka da bi se izveo opći zaključak o smanjenju ukupnog troška zalihe. Preskriptivna analitika daje teorijski okvir za povezivanje prognoze i odluke, ali konkretan ishod ovisi o modelu, ulaznim podacima, funkciji troška i poslovnom slučaju.

Praktično, sustav bi morao razlikovati barem nekoliko vrsta posljedica: trošak držanja, trošak nestašice, posljedice varijabilnog vremena dobave i zahtijevanu servisnu razinu. Ako se jedna od tih dimenzija izostavi, sustav može biti optimiran prema nepotpunoj funkciji.

To je razlog zbog kojeg se naslovno pitanje ne može svesti na „AI protiv čovjeka”. Usporedba mora obuhvatiti cijelu odluku. Tek tada se može procijeniti donosi li algoritam bolji ekonomski kompromis ili samo precizniju prognozu.

Veza između prognoze i odluke može se promatrati i kroz različite vrste pogrešaka. Ista prognozna pogreška ne mora imati isti učinak ako se pojavi u razdoblju stabilne potražnje ili u razdoblju promjene vremena dobave. Zato model treba procijeniti u uvjetima u kojima će se stvarno upotrebljavati, a ne samo na izoliranoj prognoznoj seriji.

Preskriptivna komponenta također zahtijeva jasno određivanje ograničenja. Sustav mora znati koje količine može predložiti, koje servisne razine mora održavati i kada je potrebna ljudska provjera. Korpus ne potvrđuje jedinstven oblik takvog sustava. Podupire samo zaključak da prijelaz od prognoze prema odluci nije automatski.

15. Automatizirana nabava: kada i koliko naručiti

Automatizirana nabava može se promatrati kao niz povezanih odluka: kada naručiti, koliko naručiti, od kojeg dobavljača i kako raspodijeliti narudžbu. Prikupljeni izvori dobro pokrivaju klasične probleme izbora dobavljača i raspodjele narudžbi, ali ne potvrđuju empirijski sustav koji samostalno donosi sve te odluke u stvarnom poduzeću.

Točka ponovnog naručivanja odgovara na pitanje kada naručiti, dok količina narudžbe odgovara na pitanje koliko naručiti (Bruzda, 2020). Ta razlika nije samo terminološka. Sustav može ispravno odrediti trenutak naručivanja, ali pogrešno odrediti količinu. Može i obrnuto, posebno ako se količina narudžbe određuje odvojeno od servisne razine i neizvjesnosti dobave.

Pregled modela izbora dobavljača i veličine narudžbe pokazuje da su te odluke povezane (Aissaoui i sur., 2007). Ako se dobavljač promijeni, mogu se promijeniti cijena, vrijeme dobave, kvaliteta i rizik. Ako se promijeni veličina narudžbe, mogu se promijeniti troškovi i raspodjela između dobavljača.

AI sustav mogao bi povezati prognozu potražnje s pravilima naručivanja, ali samo postojanje takvog modela ne znači da je odluka autonomna. Za autonomno izvršavanje potrebno je definirati ovlasti sustava, granice odluke, iznimke i postupanje u slučaju neobičnih podataka. Takav empirijski sustav nije potvrđen u prikupljenom korpusu.

Zato se poglavlje o automatiziranoj nabavi mora suziti na izbor dobavljača i raspodjelu narudžbi. Autonomno izdavanje narudžbi može se navesti kao otvoreno pitanje, ali ne kao potvrđeni nalaz literature.

Ekonomska vrijednost automatizacije trebalo bi procjenjivati prema ukupnom učinku. Relevantne metrike uključivale bi trošak držanja, trošak nestašice, ostvarenu servisnu razinu i posljedice pogrešnog izbora dobavljača. Prikupljeni korpus ne pruža takvu cjelovitu usporedbu.

Odvajanje pitanja „kada” i „koliko” važno je i zbog različitih izvora neizvjesnosti. Trenutak naručivanja povezan je s potražnjom tijekom vremena dobave, dok količina narudžbe može biti povezana s troškovima, ograničenjima dobavljača i raspodjelom narudžbi. Ako se ta pitanja spoje u jednu neodređenu tvrdnju o automatizaciji, nije jasno što je sustav zapravo poboljšao.

Autonomija je još uži pojam od automatizacije. Sustav može automatski izračunati prijedlog, a da čovjek i dalje odobrava narudžbu. Može i automatski primijeniti određeno pravilo u ograničenim uvjetima, ali zahtijevati ljudsku intervenciju kada se pojavi odstupanje. Korpus ne pruža potvrdu da je jedan od tih oblika općenito ekonomski bolji.

16. Više dobavljača i višekriterijski izbor

Izbor dobavljača nije problem minimizacije same nabavne cijene. Pregledi dobavljača navode kriterije kao što su trošak, kvaliteta, isporuka, pouzdanost i rizik (Aouadni i sur., 2019; Ho i sur., 2010; Weber i sur., 1991). To znači da najjeftiniji dobavljač nije nužno ekonomski najbolji ako njegova pouzdanost ili vrijeme dobave povećavaju rizik nestašice.

Aouadni i suradnici (2019) pregledavaju izbor dobavljača i raspodjelu narudžbi kao povezane probleme. Dobavljač se ne bira potpuno odvojeno od odluke o količini koja će mu biti dodijeljena. Aissaoui i suradnici (2007) također povezuju izbor dobavljača s veličinom narudžbe.

Višekriterijski pristup omogućuje da se odluka ne temelji na jednoj vrijednosti. Ho i suradnici (2010) pregledavaju metode višekriterijskog odlučivanja pri vrednovanju i izboru dobavljača, dok Weber i suradnici (1991) predstavljaju klasičnu podlogu za razmatranje više kriterija.

AI može pomoći u obradi više kriterija i većeg broja mogućih kombinacija dobavljača i narudžbi. Međutim, algoritam ne određuje sam po sebi koje kriterije treba smatrati važnima. Težina cijene, kvalitete, pouzdanosti i vremena dobave proizlazi iz poslovne funkcije i rizika koji poduzeće želi prihvatiti.

Nije dopušteno zaključiti da je određena diversifikacija dobavljača uvijek optimalna. Više dobavljača može smanjiti oslonjenost na jednog dobavljača, ali može povećati složenost koordinacije. Jedan dobavljač može ponuditi povoljnije uvjete, ali koncentracija može povećati ranjivost. Prikupljeni korpus podupire višekriterijski izbor, ali ne određuje univerzalni broj dobavljača niti univerzalnu raspodjelu narudžbe.

Za AI sustav to znači da optimizacija mora uključiti kriterije koji odražavaju ekonomsku i operativnu svrhu nabave. Ako model optimizira samo cijenu, može zanemariti dobavu i rizik. Ako optimizira samo dostupnost, može povećati trošak držanja. Uspješnost sustava ovisi o tome je li funkcija odluke pravilno definirana.

Kriteriji dobavljača nisu samo opisne oznake, nego elementi odluke koji mogu biti međusobno povezani. Vrijeme dobave utječe na potrebu za zaštitnom zalihom, pouzdanost utječe na rizik odstupanja, a kvaliteta može utjecati na posljedice neispravne isporuke. Korpus podupire istodobno razmatranje tih kriterija, ali ne daje univerzalnu metodu kojom bi se za svaku situaciju odredila njihova težina.

Slično vrijedi za raspodjelu narudžbe. Raspodjela može odražavati cijenu, dostupnost, kvalitetu ili rizik, ali nije moguće iz dostupnog materijala zaključiti da je raspodjela na više dobavljača uvijek povoljnija od koncentracije. Odluka ovisi o poslovnom cilju i uvjetima dobave. AI može pomoći u obradi kombinacija, ali ne zamjenjuje definiranje kriterija.

17. AI, ekonomska učinkovitost i preskriptivna analitika

AI u planiranju potražnje treba razlikovati od AI-ja u preskriptivnom odlučivanju. Prvi može predviđati potražnju ili klasificirati obrasce, dok drugi pokušava povezati predviđanje s odlukom. Walter i suradnici (2025) smještaju AI u širi proces planiranja potražnje koji obuhvaća funkcije opskrbnog lanca, dok Bertsimas i Kallus (2020) naglašavaju prijelaz od prediktivne prema preskriptivnoj analitici.

Preskriptivni pristup povezuje prognoziranje s optimizacijom odluke o zalihama. Zato se njegova vrijednost ne procjenjuje samo prognoznom pogreškom. Ako određena metoda proizvodi nešto precizniju prognozu, ali vodi prema skupljoj politici zaliha, njezin ekonomski rezultat može biti slabiji od jednostavnije metode.

Upravo ovdje treba biti oprezan s izrazom „ekonomska učinkovitost”. Prikupljeni korpus ne sadržava metaanalizu koja bi izravno mjerila učinak AI-ja na ukupni trošak zalihe. Nema dovoljno studija koje bi istodobno usporedile prognoznu metodu, trošak držanja, trošak nestašice, točku ponovnog naručivanja, sigurnosnu zalihu, servisnu razinu i izbor dobavljača.

To ne znači da AI nema potencijal za ekonomsku vrijednost. Znači da taj potencijal nije isto što i empirijski potvrđena superiornost. Uloga AI-ja može se analizirati kao mogućnost povezivanja podataka, prognoze i odluke. Ekonomski rezultat mora se dokazati odvojenim testom.

Pregled AI-ja u planiranju potražnje pokazuje da je literatura snažnije usmjerena na modele nego na organizacijske i upravljačke uvjete (Walter i sur., 2025). To je važno jer stvarna nabava uključuje procese, odgovornosti, dobavljače, iznimke i nadzor. Model može biti tehnički kvalitetan, ali sustav ne mora biti spreman za autonomno izvršavanje odluka.

Zaključak ovog poglavlja zato mora biti uvjetan: AI može biti dio preskriptivnog sustava za odlučivanje o zalihama, ali prikupljeni korpus ne omogućuje tvrdnju da je takav sustav općenito ekonomski učinkovitiji od čovjeka ili tradicionalnih pravila.

Preskriptivna analitika ne uklanja potrebu za poslovnom odlukom o tome što se optimizira. Ako funkcija troška ne uključuje posljedice nestašice, sustav može izgledati učinkovit prema jednoj mjeri, a biti nepovoljan prema drugoj. Ako servisna razina nije jasno određena, nije moguće procijeniti je li povećanje dostupnosti opravdalo dodatnu zalihu.

Ekonomska učinkovitost zato zahtijeva najmanje dvije razine provjere. Prva se odnosi na to koliko dobro model opisuje ili predviđa relevantnu pojavu. Druga se odnosi na to kako se njegova procjena pretvara u odluku i kakav rezultat ta odluka proizvodi. Prikupljeni korpus pruža temelje za razlikovanje tih razina, ali ne donosi njihovu cjelovitu empirijsku integraciju.

18. Podaci, organizacijski uvjeti i modelski rizik

Kvaliteta podataka važna je za svaki sustav prognoziranja. Pregled velikih podataka i ML-a naglašava da korist modela ovisi o kvaliteti podataka i kontekstu (Seyedan i Mafakheri, 2020). Ako podaci ne predstavljaju stvarne obrasce potražnje, model može proizvesti uvjerljivu, ali neprikladnu prognozu.

AI u planiranju potražnje nije samo tehnički projekt. Walter i suradnici (2025) navode da literatura manje obrađuje organizacijske, međorganizacijske i upravljačke uvjete. To znači da se ekonomska procjena ne smije ograničiti na algoritam. Treba razmotriti kako se podaci prikupljaju, tko odgovara za odluku, kako se obrađuju iznimke i kako se prati promjena obrasca potražnje.

Modelski rizik može nastati kada se model primijeni izvan uvjeta u kojima je razvijen ili testiran. U prikupljenom korpusu nema dovoljne kvantifikacije troška takvog rizika. Međutim, literatura omogućuje oprezan zaključak da kvaliteta modela ovisi o podacima, kontekstu i načinu organiziranja odluke.

Tržišni šokovi obrađuju se kao pitanje modelskog, podatkovnog i organizacijskog rizika. Ne može se tvrditi da je njihov novčani učinak potvrđen. Također se ne može tvrditi da će AI automatski biti robusniji od čovjeka nakon nagle promjene obrasca potražnje.

Ako se obrazac koji je model naučio promijeni, povijesna povezanost može izgubiti prediktivnu vrijednost. Ljudski nabavljač može imati informaciju o promjeni koja još nije u podacima, ali može biti i podložan pristranosti. Algoritam može brzo obraditi nove podatke, ali može pogrešno generalizirati ako podaci kasne ili su nepotpuni.

Zato je potrebna kombinacija tehničkog praćenja i upravljačkog nadzora. Sustav mora imati kriterije za otkrivanje odstupanja, postupak za preispitivanje odluka i jasno određen opseg automatizacije. Prikupljeni izvori ne daju jedinstven model takvog upravljanja, ali jasno podupiru zaključak da tehnička mogućnost nije dovoljna za dokaz ekonomske učinkovitosti.

Podaci nisu samo količina zapisa koju model može obraditi. Oni moraju biti povezani s odlukom i vremenskim trenutkom u kojem se odluka donosi. Podatak koji je dostupan tek nakon narudžbe ne može imati istu funkciju kao informacija dostupna prije odluke. Prikupljeni korpus ne daje univerzalni postupak za razvrstavanje takvih podataka, ali opravdava oprez prema tvrdnjama koje zanemaruju njihov kontekst.

Organizacijski uvjeti također određuju kako se model koristi. Ako nije jasno tko provjerava iznimke, tko odgovara za pogrešnu narudžbu ili kada se model mora preispitati, tehnička prednost ne može se automatski pretvoriti u bolji proces. AI sustav može biti dio odluke, ali ne može se iz same primjene modela zaključiti da su riješeni svi uvjeti upravljanja.

19. Ljudsko-AI suradništvo i nadzor

Poglavlje o čovjeku i algoritmu ne može se oblikovati kao izravan empirijski test čovjeka i AI-ja jer takav test nije potvrđen u prikupljenom korpusu. Primjereniji je naslov „Ljudsko-AI suradništvo i nadzor”. Kumar i Kumar (2025), na temelju sustavnog pregleda, odnos čovjeka i AI-ja opisuju kao pitanje suradnje i upravljanja, a ne samo zamjene ljudskog odlučivanja.

Ljudska prosudba može uključiti informacije o posebnim događajima i promjenama koje nisu sadržane u povijesnim podacima (Lawrence i sur., 2006). To može biti važno u situacijama u kojima se tržište mijenja ili se pojavljuje događaj koji prethodni podaci ne opisuju. Međutim, ljudske prilagodbe mogu biti pristrane i neučinkovite, a njihova kvaliteta ovisi o načinu strukturiranja procesa (Sanders i Manrodt, 2003; Lawrence i sur., 2006).

Algoritam može obraditi velik broj varijabli i ujednačeno primjenjivati određeno pravilo. To može smanjiti nedosljednost, ali ne dokazuje da će odluka biti ekonomski bolja. Carbonneau i suradnici (2008) pokazuju da složenije ML metode nisu automatski značajno bolje od regresije, dok Makridakis i suradnici (2018) upozoravaju na potrebu opreznog uspoređivanja.

Najprikladniji model suradnje nije nužno onaj u kojem čovjek potpuno nestaje iz procesa niti onaj u kojem čovjek ručno prepravlja svaku prognozu. Mogući oblik suradnje sastoji se od toga da sustav obradi podatke i izradi prognozu, čovjek unese kontekstualnu informaciju, a postupak se naknadno vrednuje prema ostvarenim rezultatima. Ipak, prikupljeni korpus ne dokazuje da će takva procedura dosljedno poboljšati odluku.

Nadzor je važan jer AI sustav ne bi trebao biti poistovjećen s autonomnim izvršavanjem nabave. Primjena ML-a za prognoziranje sama po sebi ne znači da sustav samostalno bira dobavljača, određuje količinu i izdaje narudžbu. Za to su potrebne preskriptivne i organizacijske komponente (Walter i sur., 2025; Bertsimas i Kallus, 2020).

Usporedba čovjeka i algoritma zato mora biti operacionalizirana. Potrebni su ista nabavna odluka, ista funkcija troška, ista servisna razina i usporediva metrika ishoda. Bez toga se uspoređuju različiti zadaci i različiti kriteriji, pa zaključak o superiornosti nije valjan.

Suradništvo ne znači da se svaka ljudska intervencija smatra korisnom. Ljudska procjena može dodati informaciju koju model nema, ali može dodati i pristranost ili nedosljednost. Zato je važno zabilježiti kada je čovjek promijenio modelsku preporuku i kakav je bio ostvareni rezultat. Korpus ne pruža dokaz da će takav postupak uvijek poboljšati odluku, ali podupire potrebu za razlikovanjem potencijalne koristi od empirijski potvrđenog učinka.

Nadzor također nije isto što i ručno ponavljanje cijelog postupka. Ako čovjek provjerava svaku odluku bez jasnog kriterija, nije moguće znati je li sustav donio bolji ishod ili je rezultat posljedica naknadne intervencije. Usporedba bi morala odrediti kada se preporuka prihvaća, kada se mijenja i prema kojoj se mjeri ocjenjuje.

20. Zaključak: AI kao mogući dio boljeg kompromisa, ne dokazani pobjednik

AI može biti dio sustava koji povezuje prognoziranje potražnje, točku ponovnog naručivanja, sigurnosnu zalihu, izbor dobavljača i raspodjelu narudžbi. Literatura podupire mogućnost da ML obradi veći broj varijabli i složenije obrasce, da AI bude prisutan u planiranju potražnje i opskrbnom lancu te da preskriptivna analitika poveže prognozu s odlukom (Toorajipour i sur., 2021; Seyedan i Mafakheri, 2020; Walter i sur., 2025; Bertsimas i Kallus, 2020).

Međutim, dostupni korpus ne dokazuje da AI općenito nadmašuje čovjeka, pravila ili tradicionalne metode. Složeniji model nije automatski bolji od jednostavnijeg. U usporedbi Carbonneaua i suradnika (2008) RNN i SVM imali su najbolje rezultate, ali njihova prednost nad regresijom nije bila statistički značajna. Makridakis i suradnici (2018) dodatno upozoravaju da tvrdnje o superiornosti ML-a ovise o podacima, baznom modelu i mjeri pogreške.

Najvažnija razlika jest razlika između prognozne točnosti i ekonomske kvalitete odluke. Bolja prognoza ne mora automatski proizvesti niži ukupni trošak zalihe. Odluka mora uključiti trošak držanja, trošak nestašice, servisnu razinu, vrijeme dobave i njegovu varijabilnost. Kod sigurnosne zalihe treba uzeti u obzir i moguću povezanost potražnje i vremena dobave (Chopra i sur., 2004; Wang i sur., 2010).

U izboru dobavljača najniža cijena nije dovoljna. Relevantni su kvaliteta, vrijeme dobave, pouzdanost i rizik (Aouadni i sur., 2019; Ho i sur., 2010; Weber i sur., 1991). Prikupljena literatura podupire višekriterijski izbor i raspodjelu narudžbi, ali ne potvrđuje autonomni sustav koji samostalno bira dobavljača, količinu i trenutak naručivanja u stvarnom poslovnom sustavu.

Ljudska prosudba može unijeti informacije o posebnim događajima, ali je podložna pristranostima. AI može obraditi velik broj podataka, ali je ovisan o kvaliteti podataka, kontekstu i organizacijskom dizajnu. Zato odnos čovjeka i AI-ja treba analizirati kao suradnju i nadzor, a ne kao unaprijed riješenu zamjenu čovjeka algoritmom (Kumar i Kumar, 2025).

Odgovor na naslovno pitanje stoga glasi: AI može potencijalno učinkovitije podržati odluke o nabavi i zalihama ako je povezan s odgovarajućom funkcijom troška, servisnom razinom, podacima o potražnji i dobavi te preskriptivnim postupkom odlučivanja. No prikupljeni korpus ne omogućuje zaključak da je AI ekonomski superioran ili inferioran čovjeku, pravilima ili tradicionalnim metodama. Takav zaključak zahtijevao bi usporedbu iste nabavne odluke, iste funkcije troška, iste servisne razine i usporedive metrike ishoda.

U prikupljenom korpusu nije pronađena metaanaliza koja bi istodobno povezala prognoznu metodu, trošak držanja, trošak nestašice, točku ponovnog naručivanja, sigurnosnu zalihu i izbor dobavljača. Nije pronađen ni izravan test čovjeka, pravila i AI-ja na istoj nabavnoj funkciji. Te činjenice ograničavaju snagu zaključka, ali ne dokazuju da učinak ne postoji. One pokazuju da pitanje treba rješavati preciznijim eksperimentom, a ne općom tvrdnjom o tehnološkoj superiornosti.

Takav bi eksperiment morao jasno odrediti što se uspoređuje. Ne bi bilo dovoljno usporediti samo prognozne pogreške, niti samo broj nestašica. Potrebno bi bilo zadržati istu nabavnu odluku, iste podatke, istu servisnu razinu i istu funkciju troška, a zatim promatrati posljedice različitih pristupa. Tek bi takva usporedba omogućila razlikovanje tehničke prednosti modela od ekonomske prednosti politike naručivanja.

Najoprezniji zaključak zato nije da AI treba odbaciti niti da ga treba bezuvjetno uvesti. AI može biti koristan dio sustava koji povezuje podatke, prognoziranje i odluku. Njegova vrijednost ovisi o tome jesu li dobro definirani troškovi, ograničenja, podaci, odgovornosti i načini nadzora. U sadašnjem korpusu postoji osnova za analizu tog potencijala, ali ne i za proglašenje pobjednika.

Literatura

1. Aissaoui, N., Haouari, M., & Hassini, E. (2007). „Supplier selection and order lot sizing modeling: A review.” Computers & Operations Research, 34(12), 3516–3540. https://doi.org/10.1016/j.cor.2006.01.016. https://www.sciencedirect.com/science/article/pii/S0305054806000153

2. Aouadni, S., Aouadni, I., & Rebaï, A. (2019). „A systematic review on supplier selection and order allocation problems.” Journal of Industrial Engineering International, 15(Suppl. 1), 267–289. https://doi.org/10.1007/s40092-019-00334-y. https://link.springer.com/article/10.1007/s40092-019-00334-y

3. Axsäter, S. (2015). Inventory Control (3rd ed.). Springer. https://link.springer.com/book/10.1007/978-3-319-15729-0

4. Bertsimas, D., & Kallus, N. (2020). „From Predictive to Prescriptive Analytics.” Management Science, 66(3), 1025–1044. https://doi.org/10.1287/mnsc.2018.3253. https://dblp.org/rec/journals/mansci/BertsimasK20.html

5. Bruzda, J. (2020). „Demand forecasting under fill rate constraints—The case of re-order points.” International Journal of Forecasting, 36(4), 1342–1361. https://doi.org/10.1016/j.ijforecast.2020.01.007. https://www.sciencedirect.com/science/article/pii/S0169207020300169

6. Carbonneau, R., Laframboise, K., & Vahidov, R. (2008). „Application of machine learning techniques for supply chain demand forecasting.” European Journal of Operational Research, 184(3), 1140–1154. https://doi.org/10.1016/j.ejor.2006.12.004. https://www.sciencedirect.com/science/article/pii/S0377221706012057

7. Chopra, S. (2019). Supply Chain Management: Strategy, Planning, and Operation (7th ed.). Pearson. https://www.pearson.com/en-gb/subject-catalog/p/supply-chain-management-strategy-planning-and-operation-global-edition/P200000003933

8. Chopra, S., Reinhardt, G., & Dada, M. (2004). „The Effect of Lead Time Uncertainty on Safety Stocks.” Decision Sciences, 35(1), 1–24. https://doi.org/10.1111/j.1540-5414.2004.02332.x. https://onlinelibrary.wiley.com/doi/abs/10.1111/j.1540-5414.2004.02332.x

9. Dunković, D. (2004). „Traženje metode prognoziranja potražnje: maloprodaja jestivog ulja.” Ekonomski vjesnik, XVII(1–2), 113–125. https://hrcak.srce.hr/199858

10. Ho, W., Xu, X., & Dey, P. K. (2010). „Multi-criteria decision making approaches for supplier evaluation and selection: A literature review.” European Journal of Operational Research, 202(1), 16–24. https://doi.org/10.1016/j.ejor.2009.05.009. https://research.aston.ac.uk/en/publications/multi-criteria-decision-making-approaches-for-supplier-evaluation/

11. Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Principles and Practice (3rd ed.). OTexts. https://otexts.com/fpp3/

12. Kumar, N., & Kumar, R. R. (2025). „Human–AI collaboration in operations and supply chain management: A systematic literature review.” Management Review Quarterly. https://doi.org/10.1007/s11301-025-00575-9

13. Lawrence, M., Goodwin, P., O’Connor, M., & Önkal, D. (2006). „Judgmental forecasting: A review of progress over the last 25 years.” International Journal of Forecasting, 22(3), 493–518. https://doi.org/10.1016/j.ijforecast.2006.03.007. https://www.sciencedirect.com/science/article/pii/S0169207006000501

14. Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2018). „Statistical and Machine Learning forecasting methods: Concerns and ways forward.” PLOS ONE, 13(3), e0194889. https://doi.org/10.1371/journal.pone.0194889. https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0194889

15. Petropoulos, F., Apiletti, D., Assimakopoulos, V., Babai, M. Z., Barrow, D. K., et al. (2022). „Forecasting: Theory and practice.” International Journal of Forecasting, 38(3), 705–871. https://doi.org/10.1016/j.ijforecast.2021.11.001. https://researchmgt.monash.edu/ws/files/382695584/369487269_oa.pdf

16. Reid, R. D., & Sanders, N. R. (2012). Operations Management: An Integrated Approach (5th ed.). Wiley. https://www.oreilly.com/library/view/operations-management-an/9781118122679/ch12-sec010.html

17. Sanders, N. R., & Manrodt, K. B. (2003). „The efficacy of using judgmental versus quantitative forecasting methods in practice.” Omega, 31(6), 511–522. https://doi.org/10.1016/j.omega.2003.08.007. https://www.sciencedirect.com/science/article/pii/S0305048303000975

18. Seyedan, M., & Mafakheri, F. (2020). „Predictive big data analytics for supply chain demand forecasting: Methods, applications, and research opportunities.” Journal of Big Data, 7(1), 53. https://doi.org/10.1186/s40537-020-00329-2. https://link.springer.com/article/10.1186/s40537-020-00329-2

19. Silver, E. A., Pyke, D. F., & Thomas, D. J. (2017). Inventory and Production Management in Supply Chains (4th ed.). Routledge. https://www.routledge.com/Inventory-and-Production-Management-in-Supply-Chains-Fourth-Edition/Silver-Pyke-Thomas/p/book/9781315374406

20. Toorajipour, R., Sohrabpour, V., Nazarpour, A., Oghazi, P., & Fischl, M. (2021). „Artificial intelligence in supply chain management: A systematic literature review.” Journal of Business Research, 122, 502–517. https://doi.org/10.1016/j.jbusres.2020.09.009

21. Walter, A., Ahsan, K., & Rahman, S. (2025). „Application of artificial intelligence in demand planning for supply chains: A systematic literature review.” The International Journal of Logistics Management, 36(3), 672–719. https://doi.org/10.1108/IJLM-02-2024-0120. https://www.emerald.com/ijlm/article/36/3/672/1246964/Application-of-artificial-intelligence-in-demand

22. Wang, P., Zinn, W., & Croxton, K. L. (2010). „Sizing Inventory When Lead Time and Demand are Correlated.” Production and Operations Management, 19(4), 480–484. https://doi.org/10.1111/j.1937-5956.2009.01109.x. https://onlinelibrary.wiley.com/doi/abs/10.1111/j.1937-5956.2009.01109.x

23. Weber, C. A., Current, J. R., & Benton, W. C. (1991). „Vendor selection criteria and methods.” European Journal of Operational Research, 50(1), 2–18. https://doi.org/10.1016/0377-2217(91)90033-R. https://www.sciencedirect.com/science/article/pii/037722179190033R

24. Zipkin, P. H. (2000). Foundations of Inventory Management. McGraw-Hill. https://books.google.com/books/about/Foundations_of_Inventory_Management.html?id=rjzbkQEACAAJ

TRAŽI ISTRAŽIVAČKI PROLAZ

Nalaz ili rupa	Što bi trebalo	Zašto nije izvršeno
Sadržajna rupa — ekonomika zaliha	Izravna empirijska procjena povezanosti razine zalihe i profita	U ulazu nema potvrđenog empirijskog nalaza koji bi omogućio takvu kvantifikaciju.
Sadržajna rupa — trošak nestašice	Novčane procjene izgubljene prodaje, hitne nabave, prekida proizvodnje i gubitka lojalnosti kupaca	U ulazu su dostupne kategorije posljedica, ali ne i potvrđeni univerzalni iznosi.
Sadržajna rupa — predviđanje potražnje	Izravna usporedba ukupnog troška zalihe po metodi prognoziranja	Korpus uspoređuje metode prema dostupnim prognoznim nalazima, ali ne daje cjelovitu ekonomsku usporedbu.
Sadržajna rupa — točka ponovnog naručivanja i sigurnosna zaliha	Empirijska usporedba AI-modela i klasičnih modela u stvarnom poslovnom sustavu	Takva usporedba nije potvrđena u ulaznom korpusu.
Sadržajna rupa — automatizirana nabava	Empirijski rad o sustavu koji samostalno bira dobavljača, određuje količinu i izdaje narudžbu	U ulazu nema potvrđenog rada koji bi pokrivao cjelovito autonomno izvršavanje nabave.
Sadržajna rupa — više dobavljača	Empirijska osnova za univerzalno optimalan broj dobavljača ili optimalnu diversifikaciju	Literatura podupire višekriterijski izbor i raspodjelu narudžbi, ali ne daje univerzalno rješenje.
Sadržajna rupa — modelski rizik	Kvantificirani trošak pogrešne prognoze i tržišnog šoka	U ulazu su dostupni konceptualni opisi podatkovnog, organizacijskog i modelskog rizika, ali ne i novčane procjene.
Sadržajna rupa — čovjek nasuprot algoritmu	Izravan test čovjeka, pravila i AI-ja na istoj nabavnoj funkciji	Takav head-to-head test nije potvrđen u prikupljenom korpusu.
Sadržajna rupa — metaanaliza ekonomskog učinka	Metaanaliza koja istodobno povezuje prognoznu metodu, trošak držanja, trošak nestašice, točku ponovnog naručivanja, sigurnosnu zalihu, servisnu razinu i izbor dobavljača	Takva metaanaliza nije prisutna u ulazu.
Izvor uklonjen iz popisa literature — Stopka i suradnici	Provjeriti treba li se rad opravdano citirati u prozi ili treba ostati izvan konačnog popisa	Recenzija je utvrdila da izvor nije citiran. U ovoj fazi uklonjen je iz popisa kako bi popis odgovarao stvarno citiranim izvorima; sadržajna provjera mogućeg mjesta citiranja nije izvedena bez dodatnog istraživačkog prolaza.
Opseg isporuke	Potvrdu konačnog broja riječi zasebnim brojačem i usklađivanje s nadređenim zahtjevom opsega	U ulazu postoje međusobno neusklađeni zahtjevi za minimalni i ciljani opseg. Tekst je proširen samo razradom sadržaja koji je već pokriven ulazom.

SPOR

Nema stavki.