供应链风险中的AI：哪些真正有效？哪些只是炒作？
这就是风险监控所承诺的与它实际能捕捉到的之间的差距。把电子产品从中国工厂运到美国仓库的这些年，我有一个体会：真正的灾难从不会出现在季度性的供应商评估里。它们往往是在凌晨3点袭来，当你的货代发来短信说红海航线刚刚被关闭的时候。或者是在深圳的港口毫无预警地关闭的时候。或者是当你那家“可靠”的供应商拿不到零部件，因为供应链上游两级、一个你从没听过的公司突然破产了。
于是整个行业把目光转向了AI。现在人人都在把它加进自己的平台里，声称能够在风险发生之前就预测出来。我大概听过30场这样的推介会了。大多数不过是把2014年Flexport刚上线时就有的那套东西重新包装一遍——在文件追踪上面贴个聊天机器人。
AI实际上能做到什么
他们是这样推销的：用机器学习监控数以百万计的数据点，在问题发生前就能捕捉，追踪天气、社交媒体、商品价格等等。听起来很棒。
有时候呢？它真的能发挥作用。
IBM的系统能够把港口拥堵情况与天气预报匹配起来，在延误发生前几周就提前告诉你。国防后勤局用AI来识别欺诈性供应商——能发现人类根本不可能看出的模式。这是真的。是有效的。但有一点没人会说：只有在你的数据足够靠谱的情况下，它才有用。大多数公司呢？他们的数据根本不行。
两年前我们试用过一个AI风险系统。整整六个月的整合工作。用我们的运输历史去训练它。搭建各种数据面板。它对那些无关紧要的事情精确得不得了，对真正重要的事情却完全视而不见。
为什么？因为它只能在过去的数据里找模式。它根据以往的运输时长去预测那些常规性的延误。它会根据付款模式去标记那些出现财务压力的供应商。这些都没问题。
但它完全不知道俄罗斯即将入侵乌克兰，并把全球一半的航运路线搅得天翻地覆。也不可能告诉我，特朗普的关税会在一夜之间颠覆我们的成本结构。从来没提醒过我那个中国供应商会丢掉生产许可证，因为——这是真的——他表哥惹了某些麻烦。
最大的风险从来不在你的数据里。而是在数据与数据之间的那些空隙里。
如今，AI在一件事上确实非常擅长：处理海量的结构化信息，那些人类要花上很久才能消化的数据。我和一位研究科研文献的斯坦福教授聊过。中国研究人员每年发表两百万篇论文。在没有AI之前，北京有人可能花六个月去解决一个问题，而加州早就有人把它解决了。当时没人知道。AI能读完所有这些论文，找出重复点，避免那些白白浪费的工作。这是一个非常实际的应用案例。
在供应链里也是一样的。我见过一家公司，最初是用摄像头监测零售货架上生鲜的新鲜度。他们后来扩展到由AI驱动的定价：追踪库存的存放时长、计算最佳降价时机，并自动调整价格。帮一家连锁零售商一年节省了大约2千万美元。这是实实在在的价值。
但请注意，这两个例子有一个共同点：它们优化的都是你已经理解、并且在你掌控范围内的系统。它们并没有在试图预测战争、欺诈或疫情。
没人愿意谈的中国问题
你知道有什么从来不会出现在任何一家AI供应商的白皮书里吗？电子供应链里真正最大的风险。而这不是机器学习能够解决的事情。
是我们所有人对中国制造业基础设施的高度依赖。
去年我需要开发一款产品——桌面收纳架，有一些特定的零部件要求。在中国，我一个下午就跑了四家工厂。聊了价格和用料。去了五家不同的涂层工艺厂。晚饭前我就拿到了一份报价（每件14美元，两周就能投产）。
在乌克兰也尝试过做一个类似的项目。光是把包装设计敲定就花了三个月。
这根本与劳动力成本无关。是基础设施的问题。中国把这些全都集中在了一处。原材料、零部件供应商、装配线、物流体系……彼此之间相距不过几小时。花了他们40年建起来的。
你的AI可以告诉你：把70%的电子产品都从同一个国家采购是有风险的。它不能告诉你的是：该怎么解决这个问题。根本没有什么可解决的办法。至少不是能迅速解决的。
我看到客户们尝试做供应链多元化。越南、泰国、墨西哥。他们搬设备、培训工人、建工厂。然后他们才发现，大部分零部件还是得从中国来，因为其他地方根本没有规模化的产能。于是现在他们变成：先把零部件运到泰国，在那里组装，再把成品运到美国。通常比直接从中国整批发货要贵。
AI可以帮你优化运输路线。找出最快的运输时效。但它改变不了基本的经济规律。从中国到美国的一个集装箱，在这一切混乱发生之前，大概只要1,800美元。同样一条从乌克兰走的路线呢？8,000美元。而这还不包括中国的一带一路建设，给了他们全球最强的物流基础设施。
真正有效的模式：数据与人的结合
那些把供应链风险管控得不错的公司呢？他们当然会用AI。但那并不是全部的策略。真正有效的是：
有用的数据。而不是你能收集到的所有数据点。那些能对你真实供应链的中断发出预警的关键信号。你主要枢纽港的拥堵情况、你运输线路沿途的天气情况、你关键供应商的财务健康状况……这些数据是存在的。你只需要知道哪些信号对你的业务真正有意义。
能读懂这些数据的人。AI可以告诉你某个供应商的付款条款变了。一个了解那家供应商的人，才能分辨出：他们到底是出状况了，还是只是从银行拿到了更好的条件。AI会标记某家工厂在社交媒体上的讨论动向。懂中国劳工动态的人，才能判断那只是日常抱怨，还是一场真正的罢工正在酝酿。
当事情出现问题时，真正能给你提供选择的是你的人脉关系。你的AI顶多帮你把延误的出货时间表优化一下。但真正能把货物继续往前推进的，是你的备用供应商、备用货代、以及你的报关行这些关系。
我为丢失的货物赔过钱。客户遇到难关时，我也给他们延过账期。出了谁都控制不了的问题，我也自己吞下过成本。不是因为模型告诉我这么做。因为维护客户关系，比在一单生意上追求最大利润更重要。所以每当我评估任何工具——不管是不是AI——我只问一个问题：它能不能帮我把货顺利送到？
这正是AI做不到的：在短期利润和长期关系之间作出取舍。想出模型根本料不到的那些创造性变通办法。建立起信任感，让供应商在大家都抢产能的时候，优先处理你的订单。
更好的数据，而不是更聪明的算法
想提升供应链风险识别？别买更花哨的AI。先把数据做得更好。
目前，供应链数据都被锁在各自的孤岛里。我的运输数据不跟你的港口数据互通，也不跟工厂的生产数据互通。大家都只凭半幅图在做决策，因为谁都不愿意共享。
想象一下，如果海关数据能实时开放。如果港口的运营情况可以随时查看。如果航运运力是透明的。如果整个行业的零部件供应情况都能被看到。那时AI才真的能预测风险，因为它能看到完整的全景。
但这需要企业之间的合作、法规的要求，甚至政府的推动。而这些现在都不存在。
所以在这些条件实现之前，AI只能帮你优化你已经知道的事情，在你现有的数据里找出模式。但它预测不了黑天鹅。也无法带你穿过那些真正导致供应链出问题的地缘政治迷局。
实际该怎么做
如果你在评估AI风险工具，要问具体的问题。这个工具能不能通过更好的预测来降低我的库存成本？能不能通过优化路线来加快运输？能不能更早发现质量问题？这些都是可以量化、真正能带来收益的。
如果有人向你兜售危机预测，掉头就走。根本行不通。
购买软件的同时，也要把人际关系网络同时建起来。做得好的公司有备选供应商。牢固的合作关系。预先设计好的灵活性。AI的确能让他们更快。但根基是人与人之间的连接。
记住一点：只有货物最重要。能不能按时、完好地把货物送到？这才是唯一重要的问题。
把电子产品从太平洋这头运到那头，我发现最可靠的风险识别其实很简单：紧盯你的货，了解你的合作伙伴，遇到突发情况时随时准备调整。AI能让你做这些事更快、更高效。但它不能替你做。
作者简介：
Vitalii Savryha是ARDI Express和AiDeliv的创始人，专注于中美之间的国际物流和供应链管理。他最近完成了斯坦福大学的高阶商业课程。
