供應鏈風險中的AI：哪些真正有效？哪些只是炒作？
這就是風險監控所承諾的與它實際能捕捉到的之間的差距。把電子產品從中國工廠運到美國倉庫的這些年，我有一個體會：真正的災難從不會出現在季度性的供應商評估里。它們往往是在凌晨3點襲來，當你的貨代發來短信說紅海航線剛剛被關閉的時候。或者是在深圳的港口毫無預警地關閉的時候。或者是當你那家“可靠”的供應商拿不到零部件，因為供應鏈上游兩級、一個你從沒聽過的公司突然破產了。
于是整個行業把目光轉向了AI。現在人人都在把它加進自己的平臺里，聲稱能夠在風險發生之前就預測出來。我大概聽過30場這樣的推介會了。大多數不過是把2014年Flexport剛上線時就有的那套東西重新包裝一遍——在文件追蹤上面貼個聊天機器人。
AI實際上能做到什么
他們是這樣推銷的：用機器學習監控數以百萬計的數據點，在問題發生前就能捕捉，追蹤天氣、社交媒體、商品價格等等。聽起來很棒。
有時候呢？它真的能發揮作用。
IBM的系統能夠把港口擁堵情況與天氣預報匹配起來，在延誤發生前幾周就提前告訴你。國防后勤局用AI來識別欺詐性供應商——能發現人類根本不可能看出的模式。這是真的。是有效的。但有一點沒人會說：只有在你的數據足夠靠譜的情況下，它才有用。大多數公司呢？他們的數據根本不行。
兩年前我們試用過一個AI風險系統。整整六個月的整合工作。用我們的運輸歷史去訓練它。搭建各種數據面板。它對那些無關緊要的事情精確得不得了，對真正重要的事情卻完全視而不見。
為什么？因為它只能在過去的數據里找模式。它根據以往的運輸時長去預測那些常規性的延誤。它會根據付款模式去標記那些出現財務壓力的供應商。這些都沒問題。
但它完全不知道俄羅斯即將入侵烏克蘭，并把全球一半的航運路線攪得天翻地覆。也不可能告訴我，特朗普的關稅會在一夜之間顛覆我們的成本結構。從來沒提醒過我那個中國供應商會丟掉生產許可證，因為——這是真的——他表哥惹了某些麻煩。
最大的風險從來不在你的數據里。而是在數據與數據之間的那些空隙里。
如今，AI在一件事上確實非常擅長：處理海量的結構化信息，那些人類要花上很久才能消化的數據。我和一位研究科研文獻的斯坦福教授聊過。中國研究人員每年發表兩百萬篇論文。在沒有AI之前，北京有人可能花六個月去解決一個問題，而加州早就有人把它解決了。當時沒人知道。AI能讀完所有這些論文，找出重復點，避免那些白白浪費的工作。這是一個非常實際的應用案例。
在供應鏈里也是一樣的。我見過一家公司，最初是用攝像頭監測零售貨架上生鮮的新鮮度。他們后來擴展到由AI驅動的定價：追蹤庫存的存放時長、計算最佳降價時機，并自動調整價格。幫一家連鎖零售商一年節省了大約2千萬美元。這是實實在在的價值。
但請注意，這兩個例子有一個共同點：它們優化的都是你已經理解、并且在你掌控范圍內的系統。它們并沒有在試圖預測戰爭、欺詐或疫情。
沒人愿意談的中國問題
你知道有什么從來不會出現在任何一家AI供應商的白皮書里嗎？電子供應鏈里真正最大的風險。而這不是機器學習能夠解決的事情。
是我們所有人對中國制造業基礎設施的高度依賴。
去年我需要開發一款產品——桌面收納架，有一些特定的零部件要求。在中國，我一個下午就跑了四家工廠。聊了價格和用料。去了五家不同的涂層工藝廠。晚飯前我就拿到了一份報價（每件14美元，兩周就能投產）。
在烏克蘭也嘗試過做一個類似的項目。光是把包裝設計敲定就花了三個月。
這根本與勞動力成本無關。是基礎設施的問題。中國把這些全都集中在了一處。原材料、零部件供應商、裝配線、物流體系……彼此之間相距不過幾小時。花了他們40年建起來的。
你的AI可以告訴你：把70%的電子產品都從同一個國家采購是有風險的。它不能告訴你的是：該怎么解決這個問題。根本沒有什么可解決的辦法。至少不是能迅速解決的。
我看到客戶們嘗試做供應鏈多元化。越南、泰國、墨西哥。他們搬設備、培訓工人、建工廠。然后他們才發現，大部分零部件還是得從中國來，因為其他地方根本沒有規模化的產能。于是現在他們變成：先把零部件運到泰國，在那里組裝，再把成品運到美國。通常比直接從中國整批發貨要貴。
AI可以幫你優化運輸路線。找出最快的運輸時效。但它改變不了基本的經濟規律。從中國到美國的一個集裝箱，在這一切混亂發生之前，大概只要1,800美元。同樣一條從烏克蘭走的路線呢？8,000美元。而這還不包括中國的一帶一路建設，給了他們全球最強的物流基礎設施。
真正有效的模式：數據與人的結合
那些把供應鏈風險管控得不錯的公司呢？他們當然會用AI。但那并不是全部的策略。真正有效的是：
有用的數據。而不是你能收集到的所有數據點。那些能對你真實供應鏈的中斷發出預警的關鍵信號。你主要樞紐港的擁堵情況、你運輸線路沿途的天氣情況、你關鍵供應商的財務健康狀況……這些數據是存在的。你只需要知道哪些信號對你的業務真正有意義。
能讀懂這些數據的人。AI可以告訴你某個供應商的付款條款變了。一個了解那家供應商的人，才能分辨出：他們到底是出狀況了，還是只是從銀行拿到了更好的條件。AI會標記某家工廠在社交媒體上的討論動向。懂中國勞工動態的人，才能判斷那只是日常抱怨，還是一場真正的罷工正在醞釀。
當事情出現問題時，真正能給你提供選擇的是你的人脈關系。你的AI頂多幫你把延誤的出貨時間表優化一下。但真正能把貨物繼續往前推進的，是你的備用供應商、備用貨代、以及你的報關行這些關系。
我為丟失的貨物賠過錢。客戶遇到難關時，我也給他們延過賬期。出了誰都控制不了的問題，我也自己吞下過成本。不是因為模型告訴我這么做。因為維護客戶關系，比在一單生意上追求最大利潤更重要。所以每當我評估任何工具——不管是不是AI——我只問一個問題：它能不能幫我把貨順利送到？
這正是AI做不到的：在短期利潤和長期關系之間作出取舍。想出模型根本料不到的那些創造性變通辦法。建立起信任感，讓供應商在大家都搶產能的時候，優先處理你的訂單。
更好的數據，而不是更聰明的算法
想提升供應鏈風險識別？別買更花哨的AI。先把數據做得更好。
目前，供應鏈數據都被鎖在各自的孤島里。我的運輸數據不跟你的港口數據互通，也不跟工廠的生產數據互通。大家都只憑半幅圖在做決策，因為誰都不愿意共享。
想象一下，如果海關數據能實時開放。如果港口的運營情況可以隨時查看。如果航運運力是透明的。如果整個行業的零部件供應情況都能被看到。那時AI才真的能預測風險，因為它能看到完整的全景。
但這需要企業之間的合作、法規的要求，甚至政府的推動。而這些現在都不存在。
所以在這些條件實現之前，AI只能幫你優化你已經知道的事情，在你現有的數據里找出模式。但它預測不了黑天鵝。也無法帶你穿過那些真正導致供應鏈出問題的地緣政治迷局。
實際該怎么做
如果你在評估AI風險工具，要問具體的問題。這個工具能不能通過更好的預測來降低我的庫存成本？能不能通過優化路線來加快運輸？能不能更早發現質量問題？這些都是可以量化、真正能帶來收益的。
如果有人向你兜售危機預測，掉頭就走。根本行不通。
購買軟件的同時，也要把人際關系網絡同時建起來。做得好的公司有備選供應商。牢固的合作關系。預先設計好的靈活性。AI的確能讓他們更快。但根基是人與人之間的連接。
記住一點：只有貨物最重要。能不能按時、完好地把貨物送到？這才是唯一重要的問題。
把電子產品從太平洋這頭運到那頭，我發現最可靠的風險識別其實很簡單：緊盯你的貨，了解你的合作伙伴，遇到突發情況時隨時準備調整。AI能讓你做這些事更快、更高效。但它不能替你做。
作者簡介：
Vitalii Savryha是ARDI Express和AiDeliv的創始人，專注于中美之間的國際物流和供應鏈管理。他最近完成了斯坦福大學的高階商業課程。
