採購菁英匯 | 供應鏈企業應用 AI 技術的影響與風險

環球資源採購菁英匯（Sourcing Elite Board，簡稱SEB）是環球資源設立的精英會員制俱樂部，僅限受邀行業頂尖人士加入。該俱樂部在上海擁有超過 30 名成員，主要是來自採購領域高層管理人員和擁有學院背景的專業人士。SEB 將不定期在俱樂部內部舉辦分享活動，邀請其成員深入交流關於採購策略、電子商務創新以及全球經濟格局的洞察和預測，致力激發創新，推動行業前沿，為採購領域行業人士與專家提供一個充滿活力的交流機會。2025 年，SEB 會員及系列活動擴展至香港。

近日，世界經理人邀請環球資源 SEB 社群的 Erik Walenza-Slabe 進行專訪，Erik 就 AI 技術應用於在企業（尤其是供應鏈企業）時的顛覆性影響和風險分享了個人見解。

Erik Walenza-Slabe 是 Asia Growth Partners 的首席執行官、數位化諮詢公司 IOT One 的董事總經理，也是工業互聯網產業聯盟的活躍成員，並領導美國商會的科技創新委員會。從 2013 年起，他負責管理獨立創業社區 Startup Grind 上海分會。他還在 2015 年建立了 IOT One 學院以幫助企業消除在數位化轉型過程中的能力缺陷。

過去五年，他與超過 100 家公司在數位化轉型、市場准入、競爭對手對標、創業孵化和商業模式戰略等領域展開合作；並經常受邀在各類論壇和會議中就企業數位化和資料驅動的商業模式等主題進行演講。

1

AI 技術對供應鏈管理最大的顛覆性影響

Erik Walenza-Slabe 先生

我認為人工智慧對供應鏈管理最具顛覆性的影響將與其處理非結構化資料的能力相關。

傳統 IT 系統已經非常擅長處理結構化資料，比如來自 ERP、CRM 或其他供應鏈管理系統的資料。但世界上大部分相關資訊是非結構化的，比如新聞事件、供應商或客戶的新聞稿、與合作夥伴的電子郵件或短信等。目前這些資訊只能通過人工處理。

當然，人力成本高且時間有限，因此許多資訊要麼未被處理，要麼處理得太晚。我們可能在一周後才得知某件事，無法及時回應。

現在，人工智慧可以將這些非結構化資料轉化為結構化資料，用於決策。比如，如果有一則產品召回的新聞稿，我們不需要等待團隊成員偶然發現它，而是可以每天掃描相關資訊。一旦系統捕獲到這類資訊，就能立即識別用戶端的召回事件並快速回應。

這將徹底改變我們應對事件和優化決策的能力。這種變化目前仍處於早期階段，但據我所知，許多傳統供應鏈管理軟體公司已開始整合非結構化資料。此外，許多專注於這一問題的原生 AI 軟體公司正在湧現。

2

AI 技術在供應鏈企業中最大的優勢

Erik Walenza-Slabe 先生

過去，在技術發展上通常是由行業和企業為先導，消費市場隨後跟上。但現在 AI 應用的情況反過來了。消費市場領先一步，而行業反而成了追隨者。尤其是供應鏈領域，因為內部的複雜體系和風險意識，往往等到技術成熟後才採用。

未來5年，隨著企業逐步解決內部組織挑戰（如網路安全、隱私和流程重構），AI 的能力將迅速提升。

近兩年我們已經見證了 AI 新能力（尤其是決策相關領域）的爆發式增長。AI 已經能在多數決策場景下達到人類管理者的水準。例如，AI 已能通過患者症狀描述提供比醫生更準確的診斷。

在供應鏈中，主要障礙是組織層面而非技術層面。當企業解決這些問題後，AI 帶來的衝擊可能會超出他們的預期，能夠更快處理海量資訊，優化供應分配、供應商選擇和定價決策，甚至能以 AI 提議、人類審批的形式替代中層管理決策。

3

企業應用 AI 技術時最常見的能力缺口

Erik Walenza-Slabe 先生

中小企業和初創公司能快速採用 AI，但大企業面臨多重挑戰：老舊系統難以改造，內部治理規則僵化，員工對AI可能導致裁員的抵觸，傳統企業難以吸引薪水要求高的AI專家。

比如，有一家規模較大的歐洲香精公司原本打算從科技巨頭處高薪挖人組建自己的數位化團隊，但由於 AI 人才普遍不希望履歷上出現傳統製造企業，不得不拋出 30% 的加薪以增加吸引力，但這種方案被自家公司HR以薪酬規則為由拒絕，最終他們只能選擇外包AI開發。這也意味著，能力建設、資料積累等核心優勢掌握在外部公司手中。

此外，決策層的認知鴻溝也是一個關鍵的阻礙：傳統大企業的主要決策者大多超過 50 歲，其職業生涯形成於不同當下的技術時代，往往難以準確評估AI技術的成熟度。如果是在華運營的跨國公司，則更面臨一重地理鴻溝——需要將中國市場的訴求與技術發展情況回饋給歐洲總部。這種跨境解釋還要疊加上網路安全、隱私流程變更、重大投資決策等方面的考量，使得在華外企的AI部署決策更加難以施展。

此外，許多企業依賴微軟 Copilot 這類“已批准但低效”的工具，而非垂直領域的解決方案。因此許多供應商成本更低的、針對性的優質方案往往因為不在預審名單中而不得採用。

企業必須正視這些挑戰，審慎規劃 AI 的實施路徑。

4

成功應用 AI 技術

對自身進行改善的企業有哪些共性

Erik Walenza-Slabe 先生

就中國市場的成功案例而言，我的觀察主要基於服務跨國公司的經驗，有效應用AI的案例通常具備以下特徵：

首先設定的目標可以很宏大，但邊界必須清晰的 目標。應當聚焦影響特定職能或流程的變革，從而明確利益相關方；

其次建立有高管層支持的賦能團隊，確保團隊擁有高度自主權；

同時獲取基層支持。不強推方案，而是與一線員工溝通需求，共同設計流程變革。因為基層員工最清楚業務實際運作方式，能有效説明定義功能需求。

這種“聚焦領域+遠大目標+高層賦權+上下協同”的組合效果顯著。

反之，常見的失敗模式是：泛泛而談“全公司 AI 化”，卻缺乏具體實施方案，責任歸屬模糊，預算來源不清，決策機制缺失。許多公司滿足于營造 AI 應用的假像，卻從未真正改變業務的運營方式，最終往往流於形式地滿足於微軟 Copilot 這種“合規易用但效果有限”的方案。

5

AI 與人類的角色配合

Erik Walenza-Slabe 先生

至少從現在到可預見的將來，AI 雖能夠非常高效地實現特定流程步驟的自動化，但必須由人類來決定哪些流程步驟可以自動化，如何圍繞這種自動化調整流程。需要由人來確定優先次序，權衡利弊，規劃初期投資方向。因此，人類的角色依然至關重要——我認為這種狀況短期內不會改變。

6

中美企業在應用 AI 技術的差異

Erik Walenza-Slabe 先生

我們需要分別考慮美國企業在美國的情況、美國企業在中國的情況，以及中國企業在中國的情況。

美國企業擁有成熟的 AI 生態系統，有大量供應商可以選擇。人才成本雖高，但人才資源相當充足。而且由於許多企業的“同儕壓力”，AI 的應用相當迅速且積極，許多公司已取得顯著進展。

中國企業雖起步稍晚（約落後 6 個月），但他們向來有快速採用新技術的傳統——一旦明確技術對利潤的影響，行動可能更迅猛。

至於在華美國企業，或者範圍擴大一點，在華外企，則面臨獨特挑戰：總部開發的各種 AI 解決方案在中國往往水土不服。雖然企業可以單獨為中國分部單獨開發並行方案，但若中國市場在公司整體營收占比太低，就很難證明為此投入 AI 開發資源的合理性。因此，外企的 AI 應用需聚焦可產生重大影響的關鍵領域——因為在 AI 應用的整體覆蓋範圍上，他們既難以匹敵中國本土企業，也無法與總部主導的全球方案相抗衡。

SEB 將不定期在俱樂部內部舉辦分享活動，邀請其成員深入交流關於採購策略、電子商務創新以及全球經濟格局的洞察和預測，致力激發創新，推動行業前沿，為採購領域的專家與行家提供一個充滿活力的交流機會。