在今年于波恩举行的欧洲汽车物流与供应链大会上，有一个主题穿过了嘈杂的声音：欧洲汽车行业并没有停滞不前，而是正在重新调整以适应新的现实。
尽管有关破坏和衰退的说法一直存在，但我在对话中以及在 Blue Yonder 主办的 "利用数据建立更可见、更有弹性和人工智能驱动的供应链 "专题讨论会上看到的却是更具建设性的东西。不否认。不慌不忙。执行。
在原始设备制造商、供应商、物流和技术合作伙伴之间，对话已日趋成熟。人工智能不再是遥不可及的承诺，也不再是附带的实验。就在这里正在部署。而且，它越来越多地被嵌入到实际流程中。
真正的问题不再是 "我们能在哪里使用人工智能？(寻找问题的解决方案）。而是 "它究竟在哪些方面改善了决策？无论是速度还是质量？
超越能见度
多年来，供应链可视性一直是首要目标。这是有道理的--许多组织都在黑暗中运作。如今，情况发生了变化。现在大多数公司都有某种形式的
- 控制塔
- 事件追踪
- 货运监控
- 供应商知名度
但这里有一个让人不舒服的事实。可见性不再是瓶颈。瓶颈在于接下来会发生什么。您能将这种可视性转化为快速、一致的跨职能决策吗？
在许多情况下，答案仍然是否定的。决策仍然是手工做出的、延迟的、各职能部门不一致的，又称筒仓式的，依赖于个人经验而不是系统逻辑。这才是真正的差距所在。不是在数据质量和访问方面，而是在决策能力方面。
这就导致了一个简单而重要的重构。大多数公司并不存在数据问题。他们面临着决策架构的挑战。
缺失的要素：决策架构
在数据平台、仪表盘和集成方面投入了大量资金。这是必要的，但还不够。
数据本身并不能创造价值。当高质量的数据以协调的方式为决策引擎提供数据时，就能创造价值。
在供应链中，这些引擎已经存在：
- 预测模型
- 库存优化
- 优化供应规划
- 路由和运输优化
- 网络模拟
- 生产调度和排序
- 采波优化& 任务管理
- etc…
问题是，在许多组织中，这些能力分散在各个系统中，应用不一致，而且与实时信号脱节。
现在缺少的是一个连贯的决策架构：
数据 → 决策引擎 → 工作流程 → 执行
没有这一点，部署人工智能的尝试最终会成为数据之上的一层洞察力生成--即 "流程旁边"，而不是嵌入到决策制定过程中。而这正是许多人工智能计划停滞不前的原因。人工智能不是一回事！
讨论中的另一个主题非常明确：人工智能常常被误解。说得好像它是一种单一的能力。不是这样的。在供应链中，人工智能被更好地理解为不同能力的叠加，每种能力都发挥着特定的作用。
最基础的是预测性人工智能（机器学习）： 用于预测、ETA 预测和风险检测。
它擅长回答可能会发生什么？
还有优化和决策引擎：用于规划库存、生产和路线。
他们的答案是考虑到各种约束条件，什么是最佳可行决策？
生成式人工智能和代理工作流也越来越多： 用于互动、解释和协调。
它们有助于回答我们下一步应该做什么--如何执行？
这就是 "人工智能层 "这一概念的由来。但实际上，这一层并不能取代规划或优化。
它是一个协调层--连接信号、触发决策并协调各职能部门的工作流程。因此，与其将供应链中的人工智能视为一种工具，不如将其视为：
预测+决策引擎+洞察力生成+协同工作
生成式人工智能实际上增加了什么
生成式人工智能被炒得沸沸扬扬，因此值得对其作用进行深入探讨。生成式人工智能不是一个规划引擎。它无法优化复杂、受限的系统。它不能取代预测模型。
它做得非常好的一点是
- 综合大量信息
- 跨职能浮现相关背景
- 用人类能够理解的方式解释结果
- 支持模糊情况下的决策
- 协调各利益相关方
- 代表用户（在定义明确的防护栏和业务规则范围内）行事
简单地说
- 机器学习推断和预测
- 生成式人工智能的原因和解释
它们的共同点同样重要。两者都完全取决于数据质量和背景。两者都需要以实际操作系统为基础，才能创造价值。
数据：从 IT 主题到操作规范
另一个强烈的转变是组织如何看待数据。长期以来，数据一直被视为信息技术的职责。这种模式已经不适用了。因为决策的质量直接取决于数据的质量，而最了解数据的人并不在 IT 部门。
就供应链而言，它们包括：采购、制造、物流和规划。
真正取得进展的组织是那些转向数据业务所有权的组织。这与其说是治理框架的问题，不如说是源头问责的问题。
这种问责制推动了下一个重要转变：与其解决产出问题，为什么不投入精力解决投入问题，而要依靠产出呢？
在许多公司，计划工作仍然是这样进行的：执行计划、发现问题、手动调整。
这种方法不能扩大规模。未来的模式有所不同。你不需要调整输出。改进决策引擎的输入。这样才能实现一致性和自动化。
控制塔：从能见度到行动
供应链控制塔的概念已经发生了重大演变。早期版本侧重于汇总数据和创建可见性。如今，这还远远不够。
控制塔只有在以下情况下才能创造价值：
- 提供符合实际情况的见解
- 直接连接决策引擎
- 触发工作流程中的操作
否则，它就会变成另一个仪表盘。而这正是许多组织仍在苦苦挣扎的地方--不是因为技术限制，而是因为运营整合。我们面临的挑战是如何将洞察力融入日常流程和工作流，包括用户、跨职能决策和合作伙伴协作。这就要求各系统、团队和决策逻辑保持一致。这比建立一个仪表板更难，但这正是价值所在。
企业资源规划、数据平台和现实架构
另一个话题是：云转型和企业资源规划现代化。这些都是重要的举措。但在人工智能领域，它们常常被误解。企业资源规划系统旨在记录交易。它们不是为计算复杂决策或支持大规模人工智能而设计的。
即使是现代化的企业资源规划系统也在很大程度上保留了这种事务性。这导致了一个关键的架构转变：人工智能和高级决策需要不同的数据基础。这就是数据平台和数据云发挥作用的地方。
它们使各组织能够
- 跨职能整合数据
- 创建一致、实时的供应链视图
- 使决策引擎能够访问这些数据
- 使人工智能能够访问这些数据，以生成洞察力并进行上下文分析
这为未来提出了一个有趣的问题：
如果供应链应用程序是建立在共享数据平台上，而不是在各系统间重复数据并调和不同版本的真相，情况会怎样？这样，用户、决策引擎和人工智能就可以直接访问一个一致的状态。这就是事情变得有趣的地方。
转变观念
也许从小组讨论中获得的最重要的启示并不是技术方面的。这与心态有关。
人们仍然普遍认为，"先做好基础工作，然后再采用人工智能"。这听起来很合理，但也是错误的。人工智能不是成熟的回报。这是实现这一目标的最快方法之一。
人工智能帮助组织：
- 确定数据问题
- 规范流程
- 提高决策的一致性
- 扩展最佳实践
走在前面的公司并不是在等待完美，而是在选择具体的决策，将人工智能应用到能增加价值的地方，并一步一步地改进，一个案例一个案例地使用。势头就是这样形成的。
未来之路
如果退一步看，就会发现一个清晰的模式。
供应链转型的下一阶段不是更多的仪表盘、更多的数据收集和更多孤立的人工智能试点。这是关于建立协调一致的决策系统。
这意味着
- 将供应链视为统一的决策环境
- 将数据连接到决策引擎
- 将人工智能嵌入端到端工作流程
- 调整各职能部门的所有权
- 务实地执行，一次一个用例
在当今的环境中，复原力并不是建立在大胆的主张之上。它建立在将洞察力转化为行动的纪律之上--持续、大规模。
想了解更多信息？请访问我们的网站。
