Как Cisco трансформирует глобальные цепочки поставок при помощи искусственного интеллекта

Эффективное внедрение искусственного интеллекта в управление цепочками поставок требует жесткой технологической дисциплины и глубокой работы с данными. На вебинаре Инициативы по инновациям в цепочках создания стоимости Стэнфордской высшей школы бизнеса вице-президент по трансформации цепочек поставок Cisco Джо Макморроу подробно рассказал, как ИТ-гигант перестроил свои глобальные операции. В материале разбираются конкретные кейсы применения причинно-следственного ИИ (Causal AI), систем машинного обучения для контроля качества и генеративных моделей, меняющих подход к управлению операционными рисками.

🏛️ От подвала Стэнфорда до ИИ-инфраструктуры 1:44

История Cisco неразрывно связана со Стэнфордским университетом, так как компания была основана 40 лет назад, в декабре 1984 года, в подвале его факультета компьютерных наук. Несмотря на то что в Кремниевой долине Cisco иногда неофициально относят к «старым технологиям» (old tech), сегодня компания переживает своеобразное возрождение. Ее акции недавно достигли 25-летнего максимума, что во многом обусловлено растущим спросом на ИИ-инфраструктуру.

Ключевым элементом стратегии Cisco является обеспечение безопасности сетевой и вычислительной инфраструктуры для корпоративных клиентов, развертывающих рабочие нагрузки ИИ. Как отмечает Джо Макморроу, развитие искусственного интеллекта несет не только выгоду, но и риски, поскольку злоумышленники также используют ИИ для совершенствования своих кибератак. Стремление защитить данные клиентов подтолкнуло Cisco к крупнейшей сделке в своей истории — приобретению компании Splunk, лидера в сфере сквозного мониторинга систем (full stack observability), за $28 миллиардов. Данная технологическая интеграция позволяет Cisco контролировать безопасность процессов на всех уровнях.

🌐 Архитектура глобальной цепочки поставок Cisco 5:06

Аппаратный бизнес Cisco опирается на распределенную экосистему партнеров. Внутренняя команда управления цепочками поставок насчитывает чуть более 3 000 сотрудников. Однако внешняя партнерская сеть, включающая контрактных производителей, логистические провайдеры и ремонтные мастерские, превышает это число в 10 раз и составляет более 30 000 человек. Cisco использует полностью аутсорсинговую производственную модель, но производственные мощности партнеров жестко кастомизированы и выделены исключительно под сборку продуктов Cisco.

Внутренняя структура организации построена вокруг классической референтной модели SCOR (Plan, Source, Make, Deliver) и включает следующие ключевые блоки:

• Innovate: разработка новых продуктов и управление их жизненным циклом.
• Planning: планирование спроса и объемов производства.
• Sourcing: взаимодействие с поставщиками и закупки.
• Manufacturing: операционное управление аутсорсинговым производством и запасами.
• Quality: обеспечение качества на заводах и в полевых условиях, а также тестирование программного и аппаратного обеспечения.
• Logistics & Warehousing: складское хозяйство и транспортировка.
• Service Operations: обслуживание гигантской установленной базы оборудования по всему миру.

Особое внимание в Cisco уделяется экономике замкнутого цикла (circularity). Компания повторно использует около половины всех запасных частей, необходимых для сервисного обслуживания клиентов. Дефектные или устаревшие устройства возвращаются в Cisco, проходят глубокий ремонт и тестирование, после чего снова направляются на объекты. По словам Макморроу, это не просто забота об экологии, но и прагматичный бизнес-расчет, позволяющий извлекать ценность из высокостоимостных активов.

Бизнес-модель управления продуктовым портфелем Cisco сегментирована на три ключевых направления:

1. Конфигурируемые продукты под заказ (Configure to Order): это основное ядро бизнеса, приносящее более $40 миллиардов выручки. Сроки выполнения таких заказов составляют от 7 до 30 дней.
2. Продукты для склада (Build to Stock): к ним относится лишь 1/10 часть портфеля, включая линейку облачных сетевых решений Meraki. Продукция хранится на складах и может быть отгружена клиенту в течение одного дня, так как ключевым дифференциатором здесь выступает софт, а не само железо.
3. Нижние технологические уровни (Feeder Supply Chain): последние 10 лет Cisco активно инвестировала в субпоставщиков микросхем и компонентов оптики. Компания самостоятельно проектирует собственные лазеры и оптические модули, управляя цепочкой вплоть до уровня кремниевых фабрик и заводов по тестированию полупроводников (OSAT). Это позволяет защитить интеллектуальную собственность, снизить издержки и гарантировать качество компонентов.

📊 Стратегическое планирование и 10 внешних сил 10:45

Каждый год руководство цепочек поставок Cisco проводит комплексный анализ глобальной среды, обновляя его в середине цикла. Команда детально оценивает влияние 10 макроэкономических и операционных сил:

• Геополитические тренды (тарифы, торговые ограничения).
• Требования к раскрытию полной структуры материалов (full material disclosure).
• Прослеживаемость стран происхождения редкоземельных элементов.
• Экономические факторы (инфляция, стоимость заемного капитала, доступность ликвидности).
• Действия и маневры основных конкурентов.

Результатом этого анализа становится приоритизация трех ключевых векторов развития: Рост (Growth), Адаптивность (Adaptability) и Инновации (Innovation). Рост подразумевает масштабирование присутствия на рынке веб-скейлеров (крупных облачных провайдеров) и создание защищенных дата-центров для корпоративного ИИ. Адаптивность сфокусирована на возможности оперативно переносить производственные мощности между регионами в ответ на рыночные шоки. Инновации же сместились в плоскость оптимизации бизнес-процессов посредством внедрения ИИ. Примечательно, что такие темы, как операционное превосходство, устойчивое развитие и развитие талантов, «выпустились» из разряда временных стратегий и стали базовой корпоративной культурой компании.

🚀 Эволюция систем: от ERP к интеллектуальному управлению 14:52

Фундамент для цифровизации был заложен около 15 лет назад, когда Cisco провела масштабную модернизацию своей ERP-системы, внедрив единый глобальный экземпляр (single instance) платформы для всех юридических лиц. На базе этой ERP осуществляются абсолютно все транзакции — от фиксации заказа до получения оплаты.

Эволюция ИТ-архитектуры компании проходила в четыре последовательных этапа:

1. Создание ядра (Core Systems): развертывание единой ERP и стандартизированной PLM-системы для управления спецификациями изделий (BOM).
2. Сбор данных внешней сети (B2B Data): интеграция потоков данных в режиме реального времени от контрактных производителей и логистических партнеров (статусы закупок, объемы незавершенного производства — WIP).
3. Цифровизация процессов (Digital Workflows): уход от ручной работы в Excel и email к стандартизированным цифровым рабочим процессам. Это позволило фиксировать цифровой след любого действия (например, рекламаций по качеству).
4. Интеллектуальное управление (Intelligence): внедрение алгоритмов машинного обучения для поддержки принятия решений на основе накопленного цифрового массива данных за последние 5–6 лет.

Два года назад по запросу высшего руководства команда Макморроу провела тотальный аудит внутренних ИТ-инициатив и собрала реестр из более чем 150 кейсов использования машинного обучения и ИИ в разных департаментах. Наиболее продвинутыми оказались команды планирования и контроля качества, поскольку их сотрудники исторически имели сильные компетенции в математической статистике. Все собранные кейсы были разделены на четыре технологические группы: диагностические (оценка текущего состояния), прогностические (прогнозирование сценариев), прескриптивные (алгоритм сам предлагает или выполняет оптимальное действие) и когнитивные (самообучающийся генеративный ИИ).

🧠 Кейс 1: Причинно-следственный ИИ против волатильности прогнозов 21:44

Исторически классические статистические модели прогнозирования спроса (включая решения на базе SAS) плохо справлялись с волатильностью рынка. Они опирались на исторические паттерны, экстраполируя прошлое в будущее. Это приводило к серьезным ошибкам во время таких масштабных кризисов, как финансовый обвал 2008–2009 годов или пандемия COVID-19. Дополнительным негативным фактором выступало когнитивное искажение планировщиков — «ошибка недавности» (recency bias), когда специалисты склонны переносить результаты последнего квартала на долгосрочную перспективу.

Для преодоления этих ограничений команда планирования Cisco начала сотрудничать со стартапом Causal Lens, внедрив инструмент причинно-следственного ИИ (Causal AI). Вместо поиска простых корреляций в прошлых продажах система анализирует внешние макроэкономические факторы:

• Индекс потребительских цен (CPI).
• Глобальные индексы цепочек поставок.
• Потребительские и корпоративные настроения в отношении инфляции.
• Динамику процентных ставок.

Модель Causal AI была обучена на исторических данных корпоративного сегмента коммутационного оборудования (Enterprise Switching) начиная с 2017 финансового года. После успешного пилота система была запущена в промышленную эксплуатацию. Результатом внедрения стал двузначный рост точности прогнозирования в данном сегменте, оборот которого составляет $16 миллиардов. По оценке Макморроу, это оказало колоссальное влияние на снижение издержек от устаревания запасов (obsolescence) и повысило общую предсказуемость выручки корпорации.

🛠️ Кейс 2: Облачное тестирование и борьба с ложными возвратами 25:14

В сфере контроля качества Cisco внедрила глобальную облачную тестовую платформу, развернутую на базе собственных ИТ-ресурсов на всех заводах партнеров. Инженеры Cisco пишут единые тест-скрипты, и ни одно готовое устройство не может покинуть конвейер или продвинуться по логистической цепочке, пока автоматика не подтвердит успешное прохождение тестов.

Эта платформа собирает колоссальный объем телеметрии незавершенного производства в реальном времени. Если плата не проходит тест, система формирует цифровой «сигнатурный профиль отказа». Машинное обучение обрабатывает эти данные и выдает прескриптивные рекомендации операторам на конвейере, предлагая конкретные шаги по устранению первопричины брака прямо на месте.

Более того, накопленные массивы данных были переданы службе сервисной поддержки клиентов. Одной из застарелых проблем Cisco была высокая доля ложных возвратов оборудования по гарантии (Avoidable RMAs), когда клиенты отправляли рабочее железо обратно, хотя корень проблемы лежал в сбое программного обеспечения. Интеграция предиктивной аналитики в работу операторов колл-центров позволила на двузначный процент снизить количество таких необоснованных возвратов, что радикально сократило гарантийные расходы Cisco.

🤖 Трансформация подходов с GenAI: от простых чат-ботов к автономным агентам 28:42

Внедрение генеративного ИИ в Cisco началось по стандартному пути — с работы со сложными массивами неструктурированного текста с использованием архитектуры RAG (Retrieval-Augmented Generation). Первым успешным кейсом стала оцифровка сотен внутренних документов по контролю технологических процессов (process control documents). Обычно такие инструкции хранятся в разрозненных репозиториях, и сотрудники тратят много времени на поиск нужного регламента.

Cisco развернула изолированную среду на базе open-source большой языковой модели (LLM) и векторных баз данных. Документы были жестко изолированы внутри корпоративного контура, что исключило утечку IP и предотвратило галлюцинации модели, поскольку ИИ ищет ответы строго в рамках предоставленного массива данных, а не в открытом интернете. Теперь сотрудники могут мгновенно узнать через чат-бот, например, правила доработки плат золотого стандарта (gold board rework policy) или регламент онбординга новых поставщиков.

Следующий, более амбициозный этап — интеграция GenAI в платформу Universal Fulfillment Orchestration (UFO), которая координирует процессы исполнения заказов. Масштаб операций Cisco огромен:

• Текущий объем неисполненных заказов (backlog) составляет 150 000 строк.
• Еженедельно компания отгружает порядка 30 000 клиентских заказов.

В настоящий момент логика отслеживания проблемных заказов жестко зашита в коде дашбордов и контрольных панелей. Команда Макморроу ведет разработку и обучение GenAI-агентов, способных анализировать историю прошлых срывов поставок и самостоятельно выявлять в режиме реального времени заказы, находящиеся под риском срыва даты обещания (promise date). Целевое видение этой трансформации выглядит следующим образом:

[Ассистент (Генерация текста/кода)] ➔ [Агент поддержки решений] ➔ [Автономная оркестрация операций]

Для перехода к стадии автономной оркестрации Cisco активно инвестирует в создание семантических слоев данных (semantic layers). Это необходимо, чтобы перевести жесткую бизнес-логику ИТ-систем в понятный для LLM контекст, обучая модели распознавать сложные паттерны поведения цепочек поставок.

❓ Ответы на вопросы: пошлины, кадровые риски и главные ошибки прошлого 36:41

В ходе сессии вопросов и ответов Джо Макморроу прояснил ряд критических аспектов внедрения технологий.

ИИ и таможенные пошлины (Tariffs): Отвечая на вопрос о возможностях ИИ в планировании тарифных рисков, спикер подчеркнул, что здесь нет реального кейса для нейросетей. Расчет пошлин (например, по американскому Разделу 232 для импорта алюминия) требует абсолютной точности мастер-данных — точного веса металла в продукте и кодов HTS. Алгоритмы не должны угадывать эти параметры. Более того, из-за высокой политической волатильности последних месяцев модели Causal AI в прогнозировании спроса оказались наименее точными, что потребовало от руководства Cisco ручной экспертной корректировки планов.

Обучение персонала и кадровые риски: Cisco выстроила три направления обучения сотрудников. Первое — образовательные сессии для директоров и топ-менеджмента для демонстрации технологических возможностей ИИ. Второе — создание кросс-функциональных когорт для дата-сайентистов с целью стандартизации таксономии данных. Третье — предоставление широкого доступа рядовым сотрудникам к безопасным ИИ-утилитам через внутренний портал Cisco Inside на базе защищенного OpenAI API для оперативного саммаризации сложных регуляторных документов поставщиков.

При этом Макморроу подчеркнул, что компания не ставит целью сокращение штата. Сложность мировой логистики растет, и ИИ призван освободить сотрудников от рутины, предоставив им время для принятия сложных стратегических решений.

Централизация против распределенной структуры: В Cisco доминирует модель распределенного принятия решений (отдельные команды для компонентов, сервиса, планирования). Однако центральная команда Макморроу жестко контролирует единые стандарты качества данных, каталогизацию и общую таксономию, чтобы избежать ситуации, когда разные департаменты используют несинхронизированные базы данных.

Главное упущение прошлых лет: Размышляя о прошлых ошибках, Джо Макморроу выразил глубокое сожаление о том, что 10 лет назад в компании не было создано сквозной стратегии ролевой безопасности данных. Вместо настройки прав доступа на уровне отдельных элементов данных, функциональные команды построили изолированные «острова данных» (data lakes) из соображений конфиденциальности. Сегодня компании приходится тратить огромные ресурсы на распутывание и ликвидацию порядка 50–60 дублирующих друг друга крупных информационных объектов и построение безопасной современной архитектуры API.

Расчет ROI инноваций: Для оценки эффективности ИИ-проектов Cisco использует двухкомпонентный подход. Ежегодно выделяется фиксированный крупный бюджет на чистые эксперименты и пилоты (PoC), а также проводятся внутренние конкурсы идей в стиле «Shark Tank». При масштабировании проекта ключевыми критериями отбора становятся объем охватываемого персонала и прямое влияние технологии на базовые метрики: снижение стоимости гарантийного обслуживания, ускорение вывода продуктов на рынок (speed to market) и скорость выхода фабрик на целевую рентабельность.