摘译自【ASCM Insight】
By: Elizabeth Rennie, Editor-in-Chief, SCM Now magazine, ASCM
人工智能（Artificial intelligence，AI）驱动的供应链管理有望大幅提升需求预测能力，彻底革新端到端透明度，并推动业务整合规划。根据美国供应链运营管理协会（ASCM）发布的2025年十大供应链趋势报告，人工智能与机器学习（Machine Learning，ML）位列其中。研究指出，这两项技术“是整合各类运营环境中人员、流程和系统的基础性要素”。
此外，技术驱动的工业5.0发展——包括更协作的方式以及人与机器之间的伙伴关系——将对计划、需求管理和履行等供应链功能产生重大影响。随着机器学习，人们将发现更好的见解，从而带来重大转变、进步和竞争优势。
人工智能的核心在于通过整合远超人类处理能力的海量数据和信号，实现更快捷的高效决策。它能近乎实时地适应环境变化，并通过分析海量数据揭示隐藏关联来积累新知识。这种特性催生了多个颠覆性的人工智能与机器学习应用，未来还将有更多创新成果涌现：
1.自动化配送机器人和无人机正被广泛应用于最后一公里配送，有效降低成本、减轻道路拥堵并缩短配送时间。
DecisionBrain公司的优化与机器学习顾问德西蕾·里戈纳博士指出，这些设备能够近乎实时完成导航、轨迹调整、移动障碍物检测与规避等操作。她强调：“抛开技术带来的震撼不谈，自主配送在疫情期间已展现出巨大价值。”此外，无人机无接触配送需求激增。2022年沃尔玛通过无人机配送了超过6000件商品，目前沃尔玛及其合作伙伴提供的无人机配送服务已覆盖2万种商品，且可在30分钟内完成配送。
2.未来的仓库工人将越来越多地配备增强现实工具，例如能够实现免提拣货的智能眼镜。
正如理光和DHL最近开发的一个试点项目所示，这也具有提高仓库效率的巨大潜力。
3.人工智能与机器学习技术具有推动多维决策流程的潜力，这些流程能够考量组织边界之外的影响因素，例如环境、社会及治理（ESG）应用。
采购数字专家、Spend Matters高级分析师贝特朗·马尔塔韦尔内表示：“通过模型和模拟技术，AI能实现长期视角，并可接管数据发现、收集和处理等管理流程。AI和机器学习既能自主处理数据，也能为人类决策者提供基于数据的建议。”
4.数字孪生技术让供应链管理专家能在真实场景实施前，于零风险虚拟环境中测试变革方案的实际效果。
马尔塔弗恩指出，该技术可助力设计供应链网络、分析潜在场景、积累知识储备并优化运营流程。用户能根据实时信号（包括市场需求、市场动态及地缘政治因素）制定前瞻性优化方案，当突发事件发生时，既可提前预判，也能通过应急预案或即时建议实现快速响应。
5.人工智能和机器学习在供应链中的应用还能实现更智能的流程自动化，既包括上游环节（供应商发现、供应商资质认证和采购），也包括下游环节（库存管理、订单管理和货运优化）。
正如麦肯锡所指出的，对货物物理流动的自动化是建立在预测模型和相关性分析的基础上，以更好地理解因果关系。
供应链可通过精心的变革管理、数据质量和可用性，最大限度地发挥其在人工智能和机器学习方面的投资。“企业必须具备变革导向型思维，”Rigonat建议道，“在大多数情况下，人工智能技术会从根本上改变人们的工作方式，因此让相关员工及其管理层接受这种变革至关重要。”
沟通是关键：如果员工认为新工具将取代他们，他们就不会为新工具的采用和改进做出贡献，最终导致项目失败。人们应该相信，初始的学习曲线是值得付出的代价，因为他们和他们的团队将从这些技术中获得价值。
此外，许多组织低估了在转向基于人工智能的解决方案时，确保数据质量和可用性所需的时间和精力。Rigonat警告说：“如果数据不精确或不完整，工具将无法产生有用的结果，遵循众所周知的‘垃圾进垃圾出’原则。”
马尔塔弗恩对此表示赞同：“人工智能计划的最高成本不是人工智能本身——事实上，有许多人工智能算法是开源和免费的。这是所需数据的成本。”
除了数据可用性和质量相关的技术风险外，企业需要警惕的三大隐患包括：忽视人为因素、设定过高预期以及数据偏差。虽然人工智能能自动化处理大量重复性工作并带来显著投资回报，但终究无法完全取代人类。这意味着供应链企业仍需将自动化与人工协作相结合，这种模式反而会增加人为失误的可能性。
同样，机器学习和优化模型都是由人编写的，这些人可能会引入偏见和错误。即使没有这种情况，也会出现不可预测和前所未有的情况。马尔塔弗恩还指出了有偏见数据的危险：“依赖错误的数据是危险的，因为人工智能和机器学习会根据这些数据采取行动，使情况变得更糟。”
企业投资供应链人工智能和机器学习的商业案例，应当围绕解决组织痛点的针对性方案展开。Rigonat列举了人工智能和机器学习能够推动的多项挑战，包括生产计划、需求预测、库存管理、物流调度、动态定价、优质供应商遴选、维护规划、仓储选址（仓库与物流中心）、生产线防欺诈检测以及质量管控等环节。
“就像商业规则引擎在金融领域的欺诈检测和后台任务自动化方面取得了巨大成果一样，它们也可以为供应链带来同样的效果，”她表示，“人工智能和机器学习还可以成功用于开发客户服务聊天机器人，以改进和自动化那些仍需人工处理的耗时任务。”
此外，由于数据匮乏，目前要做出更明智的投资决策——尤其是涉及ESG因素的决策——仍面临巨大挑战。“每个投资决策都充满复杂性，因为需要在有限的信息透明度下找到最佳平衡点并权衡利弊，”马尔塔弗恩指出，“人工智能能够整合不同部门的数据湖资源，为优化投资策略提供专业建议。特别是当这种智能分析与物联网实时数据的潜力相结合，并依托区块链技术建立信任机制时，其效果将更加显著。”
在马尔塔弗恩看来，人工智能和机器学习能有效应对的核心挑战是VUCA（波动性、不确定性、复杂性和模糊性）。他指出，大多数组织尚未建立完善的风险管理体系，这种缺陷在突发事件发生时就会暴露无遗。“以苏伊士运河的‘长赐号’事件为例：企业花了多长时间才意识到船闸堵塞的影响，并采取措施进行调整？如果能通过全天候运行的人工智能指挥中心，将组织与合作伙伴生态系统及外部世界实时连接，就能产生天壤之别。”
用最新技术推动创新。探索ASCM的供应链技术证书，学习如何将人工智能和机器学习应用于您的业务。
可点击下方图片进入查看具体内容
