本文探讨了运营纪律在自主AI（agentic AI）成功中的关键作用。研究发现，尽管多数企业已开始使用生成式AI，但仅有不到1%的供应链AI试点项目成功实现了规模化应用，导致个体采用率与企业整体绩效之间存在显著差距。
核心观点与关键数据：
- 规模化差距：GEP和弗吉尼亚大学达顿商学院的研究显示，大多数企业仍处于试点阶段，其中采购和采购部门差距最大（仅4%实现规模化，11%无计划）。需求计划/预测的规模化水平最高（10%），但仍有近90%处于试点阶段。仅12位高管报告已成功在供应链运营中推广和规模化AI试点。
- 可扩展性差异：AI用例的可扩展性差异很大，并非技术障碍。风险规划、生产调度和仓库管理因复杂性和异常情况频发而最难扩展；采购、订单履行和需求计划由于可预测性较高而更容易扩展。关键在于通过“智能价值流”设计工作流程，使AI自主收集适当背景信息，仅将高价值最终决策留给人类。
- 治理结构：拥有正式AI指导委员会的企业更可能采用自下而上的智能模式，并通过组合战略指导来识别用例，而缺乏正式治理机制的企业则倾向于自上而下的IT项目式方法。成功扩展AI的企业中，63%采用组合方法，而缺乏正式治理的企业中，只有33%有系统、整体的机遇观。
- 精益思维：成功企业应用了经典的精益思维——记录流程、识别浪费、然后自动化。自主AI扩展需要更广泛的技能，包括操作逻辑、领域专业知识和AI模型的优势与局限性。AI学习方式不同，需要大量示例来完善行为，且无法总是解释其推理，因此数据质量至关重要。
- 机会领域：
- 平衡人工监督：根据决策复杂性和风险对交易进行分层，设计不同级别的自动化和人工干预，如自动驾驶层、AI甜点区、复杂度层和人工例外层。
- 利益相关者管理：多数企业尚未积极接触受影响的利益相关者，导致其 unaware 或 unsupportive。成功扩展AI的企业中，仅37%的利益相关者表示不知情或不支持。
- 人才管理：企业对AI时代的人才管理战略投入不足。AI将改进工作从核心商业流程转向知识工作，要求领导层重新思考工作流程以增强而非仅自动化。
- 实践路径：成功扩展AI的企业遵循工业化顺序——稳定环境、收紧流程、投资数据保真度、设计护栏和决策权，然后重新审视工作目标。运营纪律是关键，它将自主AI从演示转化为持久的竞争优势。
研究结论：
自主AI的成功扩展不仅取决于技术，更依赖于运营纪律。企业需要通过重新设计工作流程、加强数据管理、平衡人工监督、管理利益相关者和战略性地管理人才，才能将AI从试点阶段推向规模化应用，实现可持续的竞争优势。
