“浙里洞见”

ZJUSOM

人工智能时代，DeepSeek等通用大模型的相继涌现，引发不少企业对“AI赋能”的无限遐想。然而当大模型真正落地嵌入，一个尴尬的现实摆在眼前：不仅未能获得预期收益，反而深陷高昂的算力成本与维护投入中，数字化转型变成了一场“烧钱”游戏。

跟风布局大模型却收效甚微，问题的根源究竟在哪儿？对此，长期深入企业一线开展研究的浙江大学管理学院教授杨翼表示，“关键在于没有让数据发挥价值。”

在他看来，数字化不等同于信息化，只有让数据服务于决策，打造能够持续提升决策质量的供应链智能体，企业才能在AI时代构筑真正的竞争优势，实现高质量发展。

学者简介

杨翼，浙江大学管理学院数据科学与管理工程学系教授，博士生导师。

研究方向：库存管理、收益管理、新零售、区块链、供应链管理、数据驱动决策。

在近日的浙派商学公开课上，杨翼教授就“人工智能时代下企业如何以数据为引擎驱动决策升级，打造面向未来的智能供应链体系”作了深入分享。他表示，当前企业所面临的竞争，表面看是市场上的竞争，实则是运营管理上的竞争。打造面向未来的智能供应链体系，以数据驱动供应链管理决策升级，是企业数字化转型中的重中之重。

那么如何打造智能供应链体系？

怎样让数据发挥价值，驱动决策升级？

企业数字化转型该从何处下手？

本期【浙里洞见】专题，且听杨翼教授结合其团队最新研究为我们拨开迷雾。

杨翼在浙派商学公开课上作分享

01

大模型并非“万能”，

数字化转型需“单点突破”

“当前，我们正在经历第四次工业革命。和以往不同的是，这次不再是增量型的产业革命，而是存量的优化与竞争。”

杨翼表示，过去较长一段时期，产业扩张依靠市场增量，企业只要扩张产能、铺开渠道就能增长；而如今，各行各业的市场增量已触及天花板，单纯依靠规模扩张获取增长的空间有所收窄，竞争开始转向存量优化。企业需要更多从运营管理中挖掘效率，通过降低无效成本、优化流程和加强供应链协同来提升竞争力。

与此同时，企业面临的外部环境日益复杂，出海逻辑彻底重构。过去企业出海只是单纯的“产品出海”，而如今则是完整的“产能出海”，需要同步配套技术、管理、人才，还要吃透各国文化、贸易法律法规等，但兼具技术创新能力、管理能力、国际化视野的人才缺口巨大，不少制造企业出海时，都面临无人可用的现实难题。

多重压力之下，数字化转型早已不是企业的可选赛道，而是生存刚需。

关于数字化转型，杨翼指出当下普遍存在一个认知误区——不少管理者认为数字化就是嵌入大模型，有了通用大模型就算完成数字化转型。

实际上，大模型并非万能，因为算法天然具备强时效性，适配当下业务的模型、算法，很可能随着产品线、市场环境的变化短期内失效；同时，适配头部大厂的大模型，直接照搬给中小制造企业，可能完全无法匹配其业务逻辑。

更残酷的是，通用大模型的投入门槛极高，后续还有持续的算力消耗与模型维护成本，对于绝大多数中小型企业而言，根本难以为继。

因此，他表示，企业数字化转型切忌追求全面铺开，要单点突破，在核心工艺、关键管理节点上率先实现数字化，再由点及面逐步扩展。

图片来源：千库网

02

智能化的关键在于用好数据，

驱动决策升级

“十四五”期间，国家梳理了37个“卡脖子”问题，目前我们大约自主解决了32个，还有一些难以突破，其中就包括工业管理软件。一旦海外实施软件制裁，国内大量生产线可能直接停摆。这些年来，我们在硬件技术上的追赶速度很快，但在企业智能化管理水平上，还有巨大提升空间，尤其是中小企业。

那么如何才能实现管理上的智能化？在杨翼看来，关键在于用好数据，让数据驱动决策升级，这也是数据的真正价值所在。对企业而言，建设智能化系统的核心目的，不只是展示数据和生成报表，更应在明确业务目标与约束条件的基础上，支持分析问题、比较方案并辅助决策。若系统无法进一步形成可执行的优化建议，其管理价值将十分有限。

“或许很多中小企业认为自身数据量小、没有搭建 AI 系统的基础。实际上，数据体量小并不可怕，真正阻碍智能化的是脏数据、少数据，甚至是无数据。”杨翼表示，我们应该学会从系统论的角度看待数据，因为数据是系统在整个运行过程中的表征，我们通过建立跨环节的数据关联，可以更准确地识别问题根源，从而优化管理决策，引导系统往我们预想的方向运转。

图片来源：千库网

比如门店销量下滑，根源可能是上游产能不足、区域市场萎缩、渠道分配失衡等多重系统问题叠加，只有将相关数据纳入同一分析框架，才能更有针对性地优化管理决策。

03

供应链智能体的打造，

要做到可解释、可控、可信

在存量竞争加剧的当下，企业在市场端的竞争通常体现为4P——产品、定价、渠道、促销，而这些市场表现背后依赖的是QCDF——质量、成本、配送、快速响应。可见，供应链智能体的打造对企业而言已迫在眉睫。

同时，当前供应链管理面临业务规模大、系统关系复杂、环境不确定性高等挑战。商品 SKU动辄成千上万，系统交互错综复杂，市场需求瞬息万变，这些早已超出人脑的认知极限。杨翼认为，要应对这些挑战，需构建“智能化+数字化+自动化”三位一体的现代供应链。

前不久，他带领团队参观了一家企业，几万平方米的仓库里，只有寥寥数人。过去是“人找货”，工人拿着单子满仓库跑，熟练工十分钟找到，新手可能要花更长时间。而现在变成 “货找人”，人不动，AGV（自动导引车）把货架整个搬到工人面前。

杨翼表示，这种高度数字化与自动化的供应链体系，不仅是设备上的升级，更是供应链智能体对信息流与决策流的重构。

图片来源：千库网

而我们要做的，就是打造这种能够自主决策的、面向未来的供应链体系，即“供应链智能体”，让不懂算法的人也能在系统辅助下，通过通俗的业务语言自动完成建模、求解最优方案。也就是说，供应链智能体的打造，要做到可解释、可控、可信，且具备通用性、高效性、易操作性。

目前，杨翼团队正在开发这样四类轻量化智能体：

建模智能体

将业务口语转化数学模型，让不太懂AI和传统优化决策的人，能够通过业务语言提出问题、建立模型，求解最优方案。

预测智能体

预测市场需求与损耗，比如预测零部件何时坏、预测产品销量如何等，从而辅助决策，提升效率。

离线决策智能体

通过算法设计，为管理者输出求解方案与适配企业实际场景的中长期规划，持续辅助管理者决策。

在线决策智能体

结合实时调度动态，第一时间为管理者提供在线决策辅助。

这些智能体规避了通用大模型 “黑箱、高算力、难操作”的短板，全部围绕低成本、易操作设计，适配大中小各类企业。

尽管供应链智能体的构建仍面临诸多挑战，但杨翼团队近年来已取得不少进展。

应用案例一

全国烟草精准投放项目

现在烟草行业迎来消费拐点，吸烟人群总量持续下降，过去粗放铺货的模式彻底行不通，高端烟放到山区小店滞销、城区门店刚需品类缺货。

我们整合移动流动人口数据，结合各区域消费分层搭建预测模型，最终人口预测拟合精度提升5%以上，需求预测平均准确率提升12%，货源投放精准度提升8%，实现全国卷烟高质量、精细化调控。

应用案例二

A公司中心仓资源调配优化项目

A公司每家门店需求受地段、天气、节假日、促销多重因素影响，传统人工分配很容易出现缺货、库存积压。

我们和该公司团队合作设计优化算法，最终整体调配、库存综合成本比原有方案降低 11%，这个数字放在全国门店规模里，省下的成本十分可观。

应用案例三

B公司补贴智能调度项目

网约车定价受监管管控，企业只能依靠优惠券补贴拉动订单，但盲目投放补贴浪费资金 —— 比如经常出差报销的用户，补贴对他们完全没有吸引力。

我们基于5个月400多万条时空、用户数据搭建模型，需求预测准确度达到 85%，整体补贴投放运营效率提升 25%，这套方案已经在多座城市落地推广。

从这些项目实践落地的效果来看，摒弃盲目跟风大模型的思路，立足自身业务场景、用好数据，以数据驱动决策升级，推动供应链管理智能化，企业有望在激烈存量竞争中建立供应链优势。

图片来源：新华社

“十五五”规划纲要明确提出“促进制造业‘智改数转网联’，实施智能制造工程和工业互联网创新发展工程”。2026年政府工作报告进一步强调“深化拓展‘人工智能+’”，要求“建设智能工厂和智慧供应链”。商务部等8部门联合印发的《加快数智供应链发展专项行动计划》更明确提出，到2030年，“在重要产业和关键领域基本建立深度嵌入、智慧高效、自主可控的数智供应链体系”。可见，以数据驱动决策升级，打造智能化供应链体系是国家战略所需，亦是企业发展所需。

尽管当前打造完整、高效、安全的智能供应链，仍面临数据治理、算法适配、业务协同等多重现实难题，但方向已定，路径渐明。浙江大学管理学院多年来深耕数据科学、数智供应链管理领域，未来将持续深化产学研协同，以高质量研究赋能企业数字化转型，助力企业打造面向未来的智能化供应链体系。

编辑 | 段婷

初审 | 佟庆

二审 | 杨翼

三审 | 陈超

终审 | 王恩禹