供应链中的AI是什么？调用层级？怎么用？

在做CTSC(Certified in Transformation for Supply Chain) 认证培训的课程中，我会讲到一些AI应用于供应链的场景，有人问：企业供应链的哪些业务场景，哪些问题，已有确定可以用AI解决的，或者上了AI后一定有明显改善的？

2025年随着DeepSeek的火爆，魔都市区的居民小区里都有给65岁以上老人的AI应用科普课了（教老人给药盒拍照上传，让AI分析药品的疗效和禁忌）。退出职场的人尚且如此热衷AI应用，更何况是职场人了。

但和很多同行聊AI时会发现，一方面老板们对AI有很多妄念，期待过高；另一方面牛马们看的AI应用案例越多，反而越发迷茫怎么用AI。

人工智能的概念已经存在了 70 多年，自 1950 年《Computing Machinery and Intelligence》出版，和上世纪60年代，麻省理工学院开发了 Eliza（当今聊天机器人的早期祖先），商业化的AI应用至少有30年了。

理解

｜供应链中的AI是什么？

**早在2020年，一些低风险的Gen AI已经落地实施，例如处理合同和其他文档。**物流巨头公司采用 Scale Document AI 来帮助从各种非结构化物流文档中提取数据，包括提单、商业发票和到货通知。可以在不到 60 秒的时间内以 95%的准确率从这些不同类型的文档中提取数据。这种准确性和效率还有助于公司准确地报告合规数据，最大限度地减少罚款，减少交付货物的延迟并减少人工工作量。

供应链中的AI是指经数据训练的计算机程序，可以执行那些需要人类智能的复杂操作，包括优化库存、预测需求、CRM；网络优化和交付水平提升、智能定价；视觉识别、自动化仓库操作；评估供应商、风险评估和预警等。

供应链中的AI还为增强现实、数字孪生和流程自动化等领域提升效率，例如处理循环计数等繁琐的工作、在产品工程中提高设计效率、生成用于模拟的合成数据、利用生成式AI聊天机器人指导人员操作，提高员工生产力等。

所以回答“企业供应链的哪些业务场景，哪些问题，已明确的确定可以用AI解决？”以上提到的场景都有已见成效的案例。

有些是AI给出了解决问题的更多选择，有些是AI提高了已有方案的效率，使得原本落地性差的方案变得可以实施，都是有用AI协助解决的实际案例。

理解

｜AI的调用层级

文章开头的问题中：**“哪些上了AI一定有明显改善的？”。**这是典型的有实操经验的职场人会问的，AI应用案例看的越多，反而对AI怎么用在自己职能范围内越质疑的、或者越迷茫的。

在过去10年供应链数字化的热潮中，这个问题几乎一模一样的出现过，“供应链里哪些环节或场景，上了数字化一定有明显改善的？”。参考《企业供应链数字化的挑战与应对》

数字化也好、AI也好，这些技术都是服务于和服从于企业战略的。同理，供应链中的AI服务于构建企业核心竞争力的需求。

前面提到的供应链AI应用，库存优化、网络优化、市场分析和需求预测、风险识别等等。它们对AI调用层级是不同的，用AI术语来区分的话，AI调用有3个层级。

第一个层级：单点能力调用（Embedding模式)

例如前面提到的物流巨头公司，采用 Scale Document AI 来帮助从各种非结构化物流文档中提取数据。其他的例如：BI报表分析、全渠道订单数据整合、库存优化等，以及很多RPA类的应用。2021年，曾经上过热搜的万科数字员工，算是一种典型代表。

**Embedding模式特点是：**人类设定清晰的任务目标->AI从事重复性任务->由人类结束任务。是当前构建AI应用（尤其是基于大语言模型的应用）的主流和最佳实践之一。

第二个层级：帮手或助理能力调用（Copilot模式）

由于供应链的复杂性，该模式要在对应的功能模型上进行训练，需要高质量的供应链数据。

这些数据可以来自企业ERP\CRM\WMS等。 但无论你使用什么数据，都要确保它是相关的、 可访问的、 准确的、完整的和可靠的、以及能及时更新。高质量的数据颗粒度和数据维度是必备基础。

Gartner 数字化评估中有个问题：“您有多少良好和干净的数据可用于创建端到端的完整数字图像？”。如果供应链数字化基础是薄弱的，想在第二个层级调用AI能力是不现实的。（很多老板对AI的妄念都在这个层级）

**事实上，越是数字化做的好的公司，对AI应用是更加谨慎和去魅的。**例如某国际彩妆巨头，在营销推广方面和账务与财务方面的AI应用，近几年已经完成了替代掉原先的半个部门的人力，但在供应链计划上，近几年没有实施AI类应用。

“哪些上了AI一定有明显改善的？”。答案基于哪些场景的数字化基础好。例如以上彩妆巨头的情况，线上购物和电子化支付的普遍性使得市场端数据在维度和颗粒度上足够好。企业级应用普及最早最广的是财务系统，FIN cost center上了AI后取代掉一半人的案例非常多。

某汽车行业Tier1的国际化公司，其海外工厂与整车厂的EDI对接率达到80%，而国内工厂只有20%。其海外公司良好的数字化程度，使其对需求预测类AI应用不迫切，且非常谨慎；反而是国内的公司，特别迫切的想应用AI改善目前糟糕的预测和计划现状。

我看到的第二层级AI应用里，其中沃尔玛自从2022年起，开始应用AI与供应商谈判，是个很好的案例。参考《从沃尔玛用AI与供应商谈判 看采购职业趋势》。

Copilot模式特点是：人类设定任务目标->重复性流程和逻辑性任务由AI完成->人类调整或确认->人类自主结束任务。根据Gartner 2024的调研，财富500强里已有38%在试点第二个层级的Copilot类应用，而中小企业渗透率还不足5%。

几乎所有大型科技公司（华为云、阿里云、微软、Google、IBM、Amazon、SAP）都在全力投入开发各类Copilot产品。

第三的层级：类似下属，或者一个部门，可以独立完成所有指定的任务工作

例如2025年的年中火爆的AI Agent，是当前Copilot模式发展的核心方向和终极目标。打个比方理解，Embedding是砖瓦，Copilot是建筑框架，而agent是建筑中最智能的自动化系统，是“自主版Copilot”。

AI Agent概念正在快速发展，当前agent技术尚未完全成熟，很多所谓AI Agent产品其实是任务链（workflow）而非真正的自治体。若此类有已试用的供应链同行，欢迎留言分享。

**该层级的特点是：**人类设定任务目标-> AI全权代理-> AI 进行任务拆分、工具选择、进度控制-> AI自主结束任务。

思考

｜怎么用？

**有了以上对供应链中的AI是什么和AI调用层级的理解，才适合思考：怎么用AI？**本人也在学习和摸索的过程中，一点思考供参考，欢迎同行们留言交流探讨。

1. 建立用例组合

根据自己所在的行业，构建一个用例组合。**对标行业内的优秀企业，或者所在领域的标杆企业。**分析自己供应链端到端的关键环节，例如路线优化、销售预测、产品分类、安全库存计算、供应商管理和仓库管理等。

评估企业的数字化基础，参考关键环节中已有的AI应用，研究每个实施方案的基础要求和预期投资回报 ，并根据公司的供应链战略确定AI应用实践的优先级。

2. 从后台活动开始

人工智能仍然有很多不足的地方，如AI幻觉 。因此，**仍然必须依靠人类员工对AI执行任务的结果进行审核。**否则，公司可能会面临重大的财务和运营后果。

3. 从单点调用开始

将AI的使用限制在后台活动中，先做第一个层级的单点AI能力调用，在明确定义的参数范围内试点。

在未来，人工智能可能会实现越来越自主，它将超越特定任务自动化，推动端到端协调，在复杂的场景中，实时持续优化运营，并显著增强对中断的恢复能力。它将使得供应链不仅更高效和更具成本效益，而且更可持续，能够主动适应全球市场变化，从根本上改变商品的规划，采购，制造和交付方式。