2024生成式AI时代的供应链转型，化潜能为实效
生成式AI时代的供应链转型化潜能为实效 埃森哲年度变革脉动指数（Pulseof ChangeIndex）显示：2023年，由于生成式AI（人工智能）的迅猛发展，技术已经跃居成为最重要的商业颠覆力量。生成式AI具有独特的能力，能够影响整条价值链，进而重塑企业并激发新的增⻓潜力。埃森哲《技术展望2024》报告揭示，95%的受访企业高管认为，生成式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，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。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AI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。虽然生成式AI带来了巨大的机遇，但要真正实现这些价值并非仅靠简单的技术实施就能完成。企业必须为此展开转型，改变利用数据、人才和工作的固有方式。此外， 负责任且安全地部署生成式AI也至关重要。通过积极拥抱这场变革，供应链高管可以从容驾驭生成式AI掀起的时代浪潮，推动供应链创新，使之惠及企业、人类和地球环境。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。克里斯·蒂默曼斯（Kris Timmermans）埃森哲供应链与运营业务全球总裁2 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，不断开启并利用人工智能的创新变革潜力。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，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。埃森哲的分析表明，生成式AI可以助力优化整个供应链职能部⻔43%的工作时间——例如通过实现业务操作自动化（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。3 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？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。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？4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。埃森哲观点生成式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 6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。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，并最终确保供应链给企业、人类和地球环境都带来更加积极的影响。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。 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。37 8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 9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。 10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 11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。 12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。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。 13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，从而减少出错机会，并且节省时间和精力。 14服务提供服务而非仅仅提供产品，许多企业已逐渐实现这一目标。然而，服务领域仍普遍高度分散，资产和资源区域化或全球化分布，并且严重依赖与供应网络其他部分
