AI 在采购和供应链中的应用正逐步发展，但存在不均衡现象。约三成的公司已成为 AI 爱好者，在至少五个供应链功能中部署 AI，且有效性评分超过 75%。规划和预测是应用效果最好的领域，但采用率相对较低，可能由于整合挑战。AI 在规则明确、数据标准化的情况下表现最佳，但只有四成的公司表示已将其与现有平台对齐。采购任务因其结构化工作流程而成为最广泛采用的领域，表明 AI 的应用范围更多地受组织准备情况的影响。
约十分之一的公司已完全整合 AI 代理，但兴趣正在增长。约 40% 的公司已在跨职能领域使用 AI 代理，另外三分之一正在试验库存或路线优化等孤立用例。采用率最高的是具有明确逻辑的任务，例如供应商入职和绩效监控。但近半数公司认为 AI 代理有潜力进行合同谈判或自主管理采购——这表明虽然目前很少有公司迈出这一步，但许多公司正在准备这样做。
公司难以衡量 AI 的投资回报率，这可能导致在具有高影响力的领域投资不足。六成的公司表示难以量化 AI 的运营效益，例如减少停机时间或加快决策速度，同样多的公司表示难以追踪无形收益，例如风险规避。这种不确定性正在阻碍投资：超过一半的公司将不明确的回报或高昂的实施成本列为采用 AI 的主要障碍。然而，一些最有效的 AI 应用，例如情景建模和早期供应商风险检测，正是通过预防从未出现在资产负债表中的问题来创造价值。如果没有更好的指标，公司可能会低估那些提供最大长期弹性的应用。
AI 正在重塑采购角色，但公司对技能再培训表示放心。一半的公司已调查员工对 AI 的看法，45% 的公司已启动技能再培训计划——但很少有公司进行大规模的再培训。大多数公司更喜欢混合模式：四成公司倾向于将自动化与人工监督相结合，另外三成公司希望使用 AI 来加强合作伙伴之间的协作。只有五分之一的公司支持完全自动化的采购。如果没有对培训和岗位重新设计的更大投资，公司可能会在 AI 的能力和员工使用它们的准备程度之间造成差距。
部门数据和决策的隔离限制了 AI 的战略收益。约三分之一的公司仅在孤立的功能中使用 AI，而相似比例的公司提到了外部数据共享问题。内部，僵化的部门结构可能会阻碍 AI 提供端到端可见性。外部，不愿共享敏感的商业数据可能会限制协作。这种隔离——在公司内部和供应链之间——正在限制 AI 作为协调工具的全部潜力。如果没有更好的协调，AI 将会优化局部流程，但无法提高系统整体绩效。
AI 正在提高效率，但信任和透明度将决定其在供应商关系中的成功。近半数公司认为 AI 将减少错误并提高采购中的复杂性管理。但同样比例的公司担心算法偏见、供应商不信任以及对自动化的过度依赖。自主供应商选择和合同谈判引发了公平性的担忧，尤其是在采购长期以来依赖非正式判断的情况下。一些公司正在通过审计跟踪和人工审核来解决这个问题。随着 AI 越来越多地调解供应链关系，信任可能不会来自个人关系——而是来自机器决策的清晰度。
