AI追求确定性下的最优解，而供应链的本质却是不确定性中的韧性生存

oIBP欧睿数据

今天，我想谈谈一个看似矛盾却日益凸显的核心命题：人工智能（AI）孜孜以求的是在确定性前提下寻找全局最优解，而供应链的本质，恰恰是在高度不确定性的混沌中谋求韧性生存。

一

用AI打仗，拼的不是算法

在过去的五年里，我走访了数十家美妆、服饰、快消企业，看到太多团队将AI视为“点石成金”的魔法棒。

他们引入最先进的深度学习模型，却对底层数据质量视而不见；他们期待AI直接输出“明天卖多少”，却从未梳理清楚自己的业务规则。

甚至很多人以为，只要买一套最先进的AI大模型或预测算法，就能让库存周转率飙升、缺货率归零、供应链自动优化。

但现实是残酷的：算法只是工具，真正的战场在数据与逻辑之间。

AI不是先知，它擅长的是“内插”，而非“外推”；它能处理的是“已知的不确定性”，而非“未知的扰动”。

1

以某国产高端美妆品牌为例

该品牌曾部署一套AI驱动的需求预测系统，声称准确率高达92%。

然而上线三个月后，区域库存失衡问题反而加剧——某些SKU严重缺货，另一些则积压如山。

问题出在哪？

并非算法不行，而是数据底座薄弱、业务逻辑模糊。他们的销售数据混杂了大促冲量、赠品捆绑、KOL带货返单等非自然需求信号，却未做结构化标注；

同时，没人告诉AI：“我们的精华类产品受季节影响显著，夏季主推清爽型，冬季主打修护型。”

于是，AI只能在“表面相关性”中打转，把618期间因直播间爆单产生的异常峰值当作常态趋势，进而建议全年维持高库存。

如训练数据中包含了大量“618”“双11”大促期间的异常订单，而系统并未区分“促销驱动”与“自然需求”。

更关键的是，没人告诉AI：“我们的防水睫毛膏主要在夏季和旅游季热销”。

这印证了我的观点：不要问AI“明天卖多少”，而要告诉它“我的数据是什么，我的业务逻辑是什么，请你按步骤帮我分析”。

AI不是先知，它是逻辑执行者。

只有当企业具备结构化且高质量的多维数据（如历史销售、天气、社媒声量、库存周转、退货率、物流延迟、竞品动态等）、清晰的业务规则（如“新品上市前两周需预留20%安全库存”），AI才能成为真正的决策伙伴。

二

供应链的真相：不确定性的本质

在课堂上，我常问学生：“如果需求真的服从正态分布，为什么我们还在为断货和积压焦头烂额？”

沉默之后，往往是一阵苦笑。

传统供应链优化模型，无论是经典的报童模型、（s, S）库存策略，还是多级网络中的随机规划，几乎都建立在一个隐含前提之上：未来的需求虽有波动，但其统计特性是稳定且可知的。

于是我们拟合历史数据，假设它服从某种概率分布（正态、泊松、负二项……），然后在这个“已知世界”里，用数学工具寻找成本最低或服务水平最高的“最优解”。

这套逻辑在教科书里无懈可击，在Excel模拟中表现优异，却在真实商业战场频频失灵。

因为现实世界从不按分布出牌。

更致命的是，我们将那些“不符合分布”的事件（如一场突如其来的网红带货、一次地缘政治引发的港口封锁、一则社交媒体上的负面舆情），统统归为“异常值”，试图用平滑算法滤除它们，仿佛只要剔除这些“干扰”，系统就能回归“理性轨道”。

但我想说：不确定性是供应链的本质。

2

以美妆行业为例

2025年某国货品牌推出一款“光感修护精华”，原本按常规新品爬坡模型备货，预计首月销量5万瓶。

然而，产品因被某顶流明星在直播中无意提及“睡前涂一层，第二天脸像打了柔光”，一夜之间小红书笔记激增12万条，抖音相关话题播放破8亿，三天内全渠道售罄，代购价翻倍。

而原料中的某稀有植物提取物全球产能仅够支撑原计划产量。

这不是“需求波动”，这是一次由文化符号、媒介放大与情感共鸣共同引爆的非稳态跃迁。

它不在任何历史分布的支持集内，也无法通过移动平均或指数平滑“修正”。

3

以某快时尚服饰品牌为例

快时尚品牌曾引以为傲的“两周上新”模式，如今在TikTok驱动的“微趋势”（micro-trend）面前显得笨重不堪。

一条牛仔裤可能因某短视频中一个转身动作走红，72小时内搜索量暴涨400%；也可能因环保组织曝光其染整工艺污染，次日就被列入“抵制清单”。

这种由社会情绪、算法推荐与身份政治交织而成的消费脉冲，根本无法用泊松过程建模。

我们长期把不确定性当作需要消除的误差，却忘了：供应链真正的挑战，从来不是如何在平稳中优化，而是在断裂中延续。

AI若只被用于极致优化，反而会放大系统的脆弱性。

真正的供应链智慧，不是“如何卖得更多”，而是“如何在断链时不断供”，即韧性（Resilience）。

是能识别“分布之外”的信号，比如社媒声量拐点、跨境清关延迟的早期征兆、消费者评论中悄然兴起的替代品关键词，并据此重构决策逻辑。

三

组织进化：人XAI的智能体单元

那么，AI的供应链中究竟扮演什么角色？

我认为，AI的真正价值，不在于告诉我们世界应该怎样，而在于帮助我们在世界本来的样子中找到出路。

这意味着，AI不应是“命令发布者”，而应是“情境模拟器”与“韧性增强器”。

设想这样一个场景：一位服饰品牌的区域运营经理，面对即将到来的暴雨预警和抖音上突然爆火的某款连衣裙，需要快速决策是否加单、调拨、调整促销策略。过去，他要召集会议、查报表、打电话，耗时两天。

而现在，她不再每天盯着Excel表格，而是带着三个智能体组成一个微型“业务单元”，发出指令：

这位运营者的核心能力，不再是“算得快”，而是最会训练和指挥智能体的人，他定义目标、设定边界、注入业务常识，并在关键时刻介入判断。

这印证了那句残酷却真实的预言：

而未来企业里只有两种人：用AI的人，和被AI用的人。

前者驾驭工具创造价值：理解业务本质，懂得如何将不确定性转化为可计算的问题，善于构建数据-逻辑-AI的闭环；

后者沦为流程中的可替换节点：被动接受AI输出的“答案”，却无法解释为何如此，更无法在异常发生时干预纠偏。

四

企业如何构建应对不确定性的能力？

答案不是堆砌更多预测模型，也不是囤积更多安全库存，而是重构整个供应链的底层逻辑——从追求确定性的“最优解机器”，转变为拥抱不确定性的“适应性生命体”。

这种适应性不能靠临时救火或堆砌冗余实现，而需从战略、结构、技术与组织四个层面系统构建。

以下是我基于行业实践提炼的五大核心能力：

在这个过程中，AI的角色至关重要，但它必须服务于人的战略意图：

不是代替人做决定，而是放大人的感知与推演能力；

不是掩盖不确定性，而是将其显性化、结构化、可操作化。

正如我常对学生说的：“供应链的最高境界，不是不出错，而是在错误发生时，你比别人更快找到出路。”

作为学者，我始终相信技术的力量。

但作为一线实践者，我更敬畏现实的复杂。

AI可以帮我们看得更远、算得更快，但真正的供应链智慧，不是消灭不确定性，而是在承认不确定性的前提下，构建可感知、可响应、可学习的韧性系统，在不确定中寻找确定，在确定中敬畏不确定。

求喜欢