采购菁英汇 | 供应链企业应用 AI 技术的影响与风险

我认为人工智能对供应链管理最具颠覆性的影响将与其处理非结构化数据的能力相关。

传统 IT 系统已经非常擅长处理结构化数据，比如来自 ERP、CRM 或其他供应链管理系统的数据。但世界上大部分相关信息是非结构化的，比如新闻事件、供应商或客户的新闻稿、与合作伙伴的电子邮件或短信等。目前这些信息只能通过人工处理。

当然，人力成本高且时间有限，因此许多信息要么未被处理，要么处理得太晚。我们可能在一周后才得知某件事，无法及时响应。

现在，人工智能可以将这些非结构化数据转化为结构化数据，用于决策。比如，如果有一则产品召回的新闻稿，我们不需要等待团队成员偶然发现它，而是可以每天扫描相关信息。一旦系统捕获到这类信息，就能立即识别客户端的召回事件并快速响应。

这将彻底改变我们应对事件和优化决策的能力。这种变化目前仍处于早期阶段，但据我所知，许多传统供应链管理软件公司已开始整合非结构化数据。此外，许多专注于这一问题的原生 AI 软件公司正在涌现。

过去，在技术发展上通常是由行业和企业为先导，消费市场随后跟上。但现在 AI 应用的情况反过来了。消费市场领先一步，而行业反而成了追随者。尤其是供应链领域，因为内部的复杂体系和风险意识，往往等到技术成熟后才采用。

未来5年，随着企业逐步解决内部组织挑战（如网络安全、隐私和流程重构），AI 的能力将迅速提升。

近两年我们已经见证了 AI 新能力（尤其是决策相关领域）的爆发式增长。AI 已经能在多数决策场景下达到人类管理者的水平。例如，AI 已能通过患者症状描述提供比医生更准确的诊断。

在供应链中，主要障碍是组织层面而非技术层面。当企业解决这些问题后，AI 带来的冲击可能会超出他们的预期，能够更快处理海量信息，优化供应分配、供应商选择和定价决策，甚至能以 AI 提议、人类审批的形式替代中层管理决策。

中小企业和初创公司能快速采用 AI，但大企业面临多重挑战：老旧系统难以改造，内部治理规则僵化，员工对AI可能导致裁员的抵触，传统企业难以吸引薪水要求高的AI专家。

比如，有一家规模较大的欧洲香精公司原本打算从科技巨头处高薪挖人组建自己的数字化团队，但由于 AI 人才普遍不希望履历上出现传统制造企业，不得不抛出 30% 的加薪以增加吸引力，但这种方案被自家公司HR以薪酬规则为由拒绝，最终他们只能选择外包AI开发。这也意味着，能力建设、数据积累等核心优势掌握在外部公司手中。

此外，决策层的认知鸿沟也是一个关键的阻碍：传统大企业的主要决策者大多超过 50 岁，其职业生涯形成于不同当下的技术时代，往往难以准确评估AI技术的成熟度。如果是在华运营的跨国公司，则更面临一重地理鸿沟——需要将中国市场的诉求与技术发展情况反馈给欧洲总部。这种跨境解释还要叠加上网络安全、隐私流程变更、重大投资决策等方面的考量，使得在华外企的AI部署决策更加难以施展。

此外，许多企业依赖微软 Copilot 这类“已批准但低效”的工具，而非垂直领域的解决方案。因此许多供应商成本更低的、针对性的优质方案往往因为不在预审名单中而不得采用。

企业必须正视这些挑战，审慎规划 AI 的实施路径。

就中国市场的成功案例而言，我的观察主要基于服务跨国公司的经验，有效应用AI的案例通常具备以下特征：

首先设定的目标可以很宏大，但边界必须清晰的 目标。应当聚焦影响特定职能或流程的变革，从而明确利益相关方；

其次建立有高管层支持的赋能团队，确保团队拥有高度自主权；

同时获取基层支持。不强推方案，而是与一线员工沟通需求，共同设计流程变革。因为基层员工最清楚业务实际运作方式，能有效帮助定义功能需求。

这种“聚焦领域+远大目标+高层赋权+上下协同”的组合效果显著。

反之，常见的失败模式是：泛泛而谈“全公司 AI 化”，却缺乏具体实施方案，责任归属模糊，预算来源不清，决策机制缺失。许多公司满足于营造 AI 应用的假象，却从未真正改变业务的运营方式，最终往往流于形式地满足于微软 Copilot 这种“合规易用但效果有限”的方案。

至少从现在到可预见的将来，AI 虽能够非常高效地实现特定流程步骤的自动化，但必须由人类来决定哪些流程步骤可以自动化，如何围绕这种自动化调整流程。需要由人来确定优先次序，权衡利弊，规划初期投资方向。因此，人类的角色依然至关重要——我认为这种状况短期内不会改变。

我们需要分别考虑美国企业在美国的情况、美国企业在中国的情况，以及中国企业在中国的情况。

美国企业拥有成熟的 AI 生态系统，有大量供应商可以选择。人才成本虽高，但人才资源相当充足。而且由于许多企业的“同侪压力”，AI 的应用相当迅速且积极，许多公司已取得显著进展。

中国企业虽起步稍晚（约落后 6 个月），但他们向来有快速采用新技术的传统——一旦明确技术对利润的影响，行动可能更迅猛。

至于在华美国企业，或者范围扩大一点，在华外企，则面临独特挑战：总部开发的各种 AI 解决方案在中国往往水土不服。虽然企业可以单独为中国分部单独开发并行方案，但若中国市场在公司整体营收占比太低，就很难证明为此投入 AI 开发资源的合理性。因此，外企的 AI 应用需聚焦可产生重大影响的关键领域——因为在 AI 应用的整体覆盖范围上，他们既难以匹敌中国本土企业，也无法与总部主导的全球方案相抗衡。