2024生成式AI时代的供应链转型，化潜能为实效

化供潜应能为链实效转AI型时代的 AI（⼈⼯智能）的迅猛发展，技术已经跃居成为最重要 年，由埃于森⽣哲成年式度变⾰脉动指数（PulseofChangeIndex）显⽰：2023 的⽽重商塑业企颠业覆并⼒激量发。新⽣的成增式⻓AI具潜有⼒独。特的能⼒，能够影响整条价值链，进 AI将倒逼⾃⾝企业更新升级技术架构。令供应链⾼管欣喜的是， ⽣成式埃森哲《技术展望2024》报告揭⽰，95%的受访企业⾼管认为，这场技术⾰命也为其所在领域的⼯作⽅式创新带来了诸多可能。 AI 计划，到⽣产与履约，再延伸⾄售后⽀持与服务，我们看到了⽣成式 本⽂将通过前瞻视⻆探索端到端供应链中潜藏的机遇。从采购与 的诸多⽤武之处。我们还发现，该技术可以创造显著的跨部⻔价值，包括增强供应链的可持续性和韧性、优化⼈才管理并强化以客⼾为中⼼。 靠简单虽的然技⽣术成实式施AI带就来能了完巨成⼤。的企机业遇必须，为但此要展真开正转实型现，这改些变价利值⽤并数⾮据仅、重⼈要才。和⼯作的固有⽅式。此外，负责任且安全地部署⽣成式AI也⾄关 的时代通浪过潮积，极推拥动抱供这应场链变创⾰新，，供使应之链惠⾼及管企可业以、从⼈容类驾和驭地⽣球成环式境。AI掀起 克⾥斯·蒂默曼斯（） 这是⼀条令⼈振奋的征途，我们将在前进之路上与您携⼿同⾏。KrisTimmermans 埃森哲供应链与运营业务全球总裁 链职能部⻔43%的⼯作时间——例如通过实现业务操作⾃ 埃森哲的分析表明，⽣成式AI可以助⼒优化整个供应 动化（29%）或是⼤幅提升员⼯能⼒（14%）。1鉴于全 球供应链从业⼈员的庞⼤规模，这种潜在的累积价值对企 业⽽⾔将极为可观。 ⼯智能的创新变⾰潜⼒。 ⾃ChatGPT于2022年底推出以来，⽣成式AI技术已席卷全球。各⾏各业以及企业的各个职能部⻔均在探索各种可能性，不断开启并利⽤⼈ 97%的⾼管⼈员认同，⽣成式AI⼤语⾔模型（LLM）将为其所在企业带 ⼤量潜在的应⽤模式已引起了企业管理者的注意。我们的研究发现，来变⾰。全体受访者⼀致预期，员⼯队伍会因此⽽变。2 这对供应链⾼管来说是⼀项福⾳。因为⼤语⾔模型的能⼒并不局限于编码、内容创作或营销等⽅⾯。它们在端到端供应链中也能够⼤显⾝ ⼿。从新产品开发、采购与计划、制造与物流，⼀直到售后⽀持与服务，每⼀环节都可以获益。 企业已普遍认识到了⽣成式AI的潜⼒并在积极尝试。但我们的变⾰脉动季度调研显⽰，迄今为⽌只有三分之⼀的受访企业为此进⾏了⼤规模投资。 原因何在？ 所有的⾸席⾼管都在着⼒厘清⼀些基本问题。围绕⽣成式AI的炒作有多少可信度？其灿烂的应⽤前景能否转化为可扩展的解决⽅案？⽬前的哪些应⽤模式可以真正带来价值？领导者如何收集数据，并使企业做好把握机遇的准备？ 埃森哲观点 整条端到端供应链中都潜藏着实实在在的价值。但若想获取效益，企业必须深刻转变创造价值、⼯作和协作的⽅式。这意味着，不能将⽣成式AI视为软件部署列表中⼜⼀个常规项⽬，⽽是要从端到端的业务能⼒出发，实施企业级的全维度转型，并且明确数据、⼈员、⼯作⽅式、流程和负责任的应⽤等领域将受到哪些影响。 ⽣成式AI的成功应⽤，需要企业在数据、⼈员和组织⽅⾯做好万全准备。 ⽣成式AI擅于执⾏语⾔相关活动，我们将在本⽂后续部分详细探讨。然 ⽽，供应链⾼管也必须认识到，尽管它在擅⻓的领域中能⼒突出，但并不适合所有任务。特别是，对于更专注于数据处理或需要更⾼级别复杂推理的供应链活动，其直接影响⽐较有限。因此，我们建议企业以更⼴泛的视野看待 ⽣成式AI——将其作为⾃动化功能综合系统的组成部分，该系统包括传统的流程⾃动化、经典的机器学习模型，以及新的⼤语⾔模型。 ⽣成式AI正在助推企业重塑，从过去的线性供应链跨越⾄⾯向未来、真正互联的智能供应链。在此前供应链管理⼈⼯智能技术的基础上，⽣成式AI提供了 ⼀系列全新能⼒。 5 情境理解。供应链管理者可以利⽤⽣成式AI，从过去⽆法访问的⾮结构化数据来源中获得情境化洞⻅，据此制定更完善的决策。这⽅⾯的实例包括：扫描⼤量公开的在线资源，以此明确决定未来需求的根源，从⽽改进预测；或者将⽣成式AI嵌⼊供应链控制塔当中，增强⽤⼾与数据的交互，提⾼可解释性和信任度；⽣成式AI还可以与现有的⾃动化流程相结合，⼤幅简化供应链活动。 对话能⼒。供应链从业者能够借助⽣成式AI，基于聊天机器⼈⽇常语⾔互动，获得定制化洞⻅并 ⾃动执⾏⼯作任务。例如，聊天机器⼈能够帮助寻 找特定备件，并在缺货的情况下向⾸选供应商发出采购通知或进⾏叫货。其他应⽤⽅式还有：⾃动⽣成采购订单等⽂档，⾯向制造⼈员开展培训和提升技能，以及维护保养和故障排除。 内容⽣成。⽣成式AI有望按照需求，以产业化规模创建富有相关性、针对特定情境的⽂本、代码、图像或⻅解。⽬前，寻购和采购领域的应⽤⽅式最为有效，例如⾃动⽣成针对特定供应商的洞⻅（关键绩效指标、市场趋势、需求预测）来⽀持与供应商的合同续签谈判，以及制定情境化的业务运营绩效指标。 供应链给企业、⼈类和地球环境都带来更加积极的影响。 这些能⼒与现有的⼈⼯智能、机器学习模型和⼯作平台结合在⼀起，将更好地⽀撑企业优化和供应链运营升级，解决紧迫的供应链挑战，并最终确保 对于⾸席供应链官（CSCO）来说，⽣成式AI的潜⼒贯穿了供应链的所有运营环节，从设计和计划⼀直到售后⽀持与服务。埃森哲的分析表明，在122种供应链流程中，⾼达58%可以借由⽣成式AI进 ⾏重塑。3 设计与⼯程 在基于模型的系统⼯程等领域，⼤语⾔模型将不断增强并加快设计⼈员的⼯作。通过有效利 ⽤历史数据，⽣成式AI解决⽅案将迅速创建新的设计和模型，节省时间并减少重复劳动，这在设计迭代期间效果尤为明显。 包装设计就是利⽤该技术的典型领域。这项⼯作需要考虑多种因素——可持续性、运输便利性、耐⽤性、监管要求、品牌等等，通常会消耗⼤量时间和有限资源。同时，对于⼤型产品组合来说，记录和检索包装信息也变得越来越困难。⽣成式AI可以提供多重设计概念（采⽤2D或3D形式），并根据汇总的设计信息提出合适的包装⽂案和营销建议。随后由⼈⼯来审核这些概念，确保符合产品和法规要求。 ⽣成式AI对⽣物制药企业的助⼒也格外强劲。TerrayTherapeutics公司正在利⽤⽣成式AI⾰新⼩分⼦药物的发现⽅法。该公司打造的COATI化学基础模型可以将化学结构转化为数字展现形式，这样⽣成式AI便可设计出经过优化的新型分⼦。4 计划 许多⾸席供应链官已经实施了⾼级分析解决⽅案来增强和优化供应链计划。然⽽，这些⼯具所输出洞⻅的复杂性，连同将洞⻅转化为具体操作所需的专业知识，都意味着它们的实际应⽤往往颇为困难。 ⽣成式AI有望彻底改变洞⻅的获取⽅式，这不仅体现在供应链计划⽅⾯，⽹络设计优化等领域中亦是如此。通过简单易⽤的界⾯，员⼯可以⽤⽇常语⾔查询优化建议，获得易于理解和⾏动的解释说明。这为众多供应链⼈员提供了重要的⻅解，同时也提⾼了对数据的信任度，使领域专家的⾏动速度不断加快。 同时，我们可以利⽤⽣成式AI，将更⼴泛的⾮结构化数据来源 （例如市场报告、新闻汇总和社交媒体）纳⼊预测分析。该技术还能跨越销售和运营计划，⽀持更加协作和精简的⼯作⽅式——即时总结会议得出的⾏动要点，将计划与实际结果进⾏⽐较，构建关键指标监测⾯板，甚⾄是⾃⾏⽣成计划草案。计划⼈员从⽽可以节约出宝贵时间，投⼊更具战略性的任务。 采购 当下，寻源与采购团队普遍⾯临⼿动流程低效、类别多样化和系统集成问题等挑战。他们皆在战略协调、寻源采购和数据校正⽅ ⾯花费了⼤量时间，⽽⽣成式AI带来了契机，它可以简化运营、弥合信息缺⼝并扩⼤数据访问源，更迅速地形成洞⻅并简化过程。 该技术还开启了超⾃动化的可能性。各种不同形式的⾃动化系统被连接在⼀起，纳⼊到⾃主⽔平⽇益提升的单⼀⼤规模系统当中，其中包括现有的机器学习算法和流程⾃动化⼯具，以及新的⽣成式AI。这有望解放团队⽣产⼒，使他们能够从事更有价值的⼯作并提 ⾼整体效率。 零售巨头家乐福（Carrefour）正在利⽤⽣成式AI改善内部采购流程。公司正着⼿开发⼀项解决⽅案，以帮助员⼯更快地完成招标书起草和报价分析等⽇常⼯作。5 试想⼀下，每名业务⼈员都将配备由⽣成式AI驱动的采购助理。当他们需要采购时，助理可以引导他们找到合适的渠道，现货买⼊或直接叫货，并在必要的情况下，联系专业⼈员来处理交易事宜。 合同⽣成等繁重的⽂本⼯作也将显著受益。⽣成式AI解决⽅案可以分析 ⼤量⾮结构化的采购信息，如历史合同、采购政策和产品规格，确定常⽤模式和要求，从⽽即时⽣成新合同初稿，供采购团队结合⾃⾝专业知识进⾏审查和完善。 在提案邀请书（RFP）起草⽅⾯，⽣成式AI不仅可以对信息邀请书RFI）、RFP和报价邀请书（RFQ）的历史资料做出微调，还能够起草这些邀请⽂档，审核并⽐较供应商提交的回复。此外，⽣成式AI快速总结各种市 （ 场情报的能⼒也有助于寻源和品类管理等上游采购活动。 埃森哲运⽤⽣成式AI构建了⼀款智能采购与签约⼯具。它能够分析业务需求、历史合同和招标模式，建议恰当的采购策略，帮助采购经理与供应商谈判。该⼯具还可推荐合同条款和细则，确保在谈判中达成最佳结果。 11 制造 企业若能将IT数据与运营和⼯程数据整合在⼀起，⽣成式AI便可帮助他们在制造过程中实现始终如⼀的⾼质量和卓越运营——特别是在资产维护和为员 ⼯提供可操作的预测性洞察等⽅⾯。与此同时，它还可以为产品设计和质量监控提供新的⻅解。 例如在⼯⼚管理⽅⾯，资产维护团队经常需要处理复杂的流程和⼤量与特定资产相关的⽂档。⽣成式AI可以解读所有这些信息，并将其总结为⼀系列逻辑步骤，作为⼯作订单的组成部分。这意味着，全体员⼯都可随时查阅这些专业知识，不仅提⾼了运营绩效，还能增强⼯作满意度。 就维护计划⽽⾔，许多重⼯业企业正在转向基于⻛险的检验（RBI）⽅法来 随着数据可⽤性和可信度的提⾼，⽣成式AI还将越来越多地利⽤数字孪⽣运营系统获取丰富洞⻅，加快问题诊断和根本原因分析。经典⼈⼯智能和⽣成式AI的结合，有望通过简单便捷的问答界⾯使信息更易于使⽤，以此简化对于预测性维护洞⻅、实时数据分析和故障诊断情况的访问。 品控和合规亦属于受益领域。甚⾄在制药等受到严格监管的⾏业，企业也在探索如何利⽤⽣成式AI监测多个数据源，以识别冷链管理中的违规⾏为，并 ⾃动填写合规⽂档以供专家审查。⽣成式AI还可以起草内容准确的技术⽂件，从⽽显著减少创作⼯作量。例如在航空航天业，它可以加快法定技术⽂档的制 作，包括⼯作/组装/维修说明、⽤⼾⼿册、保修信息和使⽤说明（IFU）等。 释放价值。但是此类检查计划的制定，连同预防性维护和操作⼈员的⽇常护理，仍然属于⾼度依赖⼿⼯劳动且不断重复的⼈⼒密集型流程。这套流程需要技能 ⾮常娴熟的现场⼯程师创建计划⽂档，并由领域专家完成审核。然⽽，⽣成式AI可以针对设备类别或特定设备编写详细的维护作业计划，⽽且准确性和完整性很⾼，这就⼤⼤减少了创建和审核关键计划⽂档所需的时间。 履约 疫情引发的供应链中断迫使企业转变供应链运营⽅式，着⼒提⾼韧性、相关性和责任管理⽔平。领军企业正专注于改善预测能⼒，同时部署运输管理系统（TMS）、仓库管理系统（WMS）和仓库⾃动化/机器⼈技术，由此提升敏捷性和效率。 通过将⽣成式AI纳⼊整体的数据成熟度与⾃动化提升议程，企业可以在履约⽅⾯获益良多。这包括增强超个性化的客⼾体验，以及基于⼤量全渠道数据⽣成洞⻅，从⽽挖掘新的创收良机。负责履约⼯作的⼈员还能利⽤⽣成式AI，将⾮结构化信息（如天⽓预报和竞对活动）等更⼴泛的因素纳⼊考量，找出优化运输管理和改进预测的⽅法。 譬如，由⼤语⾔模型驱动的进出⼝⽂档⽣成器能够⾰新运输和出⼝流程。⽣成式AI可以全⾯收集多模态的⾮结构化信息，包括内部历史记录和政府法规，并且涵盖了pdf⽂档和便笺本记录等各种格式。随后，它可以⾃动填充运输和出⼝⽂档供专家⼈员审查和验证，