据www.dcvelocity.com报道，仅10%的零售与制造业企业高管表示愿意信任人工智能（AI）在供应链领域做出完全独立的决策，而绝大多数仍将其定位为辅助性工具——用于提供数据洞察、预测建议和方案比选，而非替代人类判断与执行。
调研核心发现
该结论来自供应链计划软件提供商Relex Solutions发布的最新行业调研。调研覆盖全球多个市场的零售与制造业企业领导者，聚焦AI在需求预测、库存优化、补货调度、供应商协同等关键供应链场景中的实际应用信任度。
数据显示：
- 90%的受访高管明确表示，不会授权AI系统在无人工审核前提下自主触发采购订单、调整安全库存水位或中止某家供应商合作；
- 76%认为AI最可靠的价值在于“增强人类决策”（augmenting decisions），例如通过多源数据融合生成动态需求情景、识别潜在断货风险并推荐应对路径；
- 仅有10%表示已在至少一个供应链环节（如仓内补货指令生成）部署了具备有限自主行动权的AI模块，且均设置了严格的人工否决机制和实时审计日志。
信任边界清晰：支持可解释性与可控性
调研指出，高管对AI的信任高度依赖两大前提：一是模型逻辑具备可解释性（explainability），能清晰呈现“为何推荐该方案”；二是系统行为全程可控（controllability），包括可随时暂停、回滚、覆盖AI输出，并确保所有自动操作留有完整责任追溯链。
Relex Solutions首席产品官Jani Tuomala指出：“企业不是抗拒AI，而是拒绝‘黑箱式自治’。当AI建议被嵌入标准工作流、附带置信度评分与影响推演，并允许计划员一键调取底层数据源验证时，采纳率显著提升。”
行业语境与从业者影响
调研方法论与样本构成
本次调研由独立研究机构Researchscape于2026年1月执行，覆盖全球514位零售、制造、批发及供应链领域的企业决策者。样本按照国家名义GDP进行加权调整，确保观点具有广泛代表性。受访者中，42%来自年营收超过10亿美元的大型企业，31%来自中型企业（营收1-10亿美元），27%来自小型企业（营收低于1亿美元）。地域分布上，北美占38%，欧洲占29%，亚太占22%，其他地区占11%。
AI应用场景的具体分布
调研进一步细化了AI在供应链各环节的应用现状：
- 需求预测与销售规划：67%的受访企业已部署AI驱动的预测模型，其中零售业应用率最高（78%），制造业次之（61%）；
- 库存优化与补货决策：47%的企业正在使用或计划引入AI进行动态安全库存计算、季节性备货策略及跨渠道库存调配；
- 物流路由与承运商选择：41%的企业应用AI优化运输路径、装载方案及承运商评分，尤其在跨境物流中用于关税成本模拟与合规风险预警；
- 供应商风险管理：29%的制造企业利用AI监控供应商财务健康度、地域政治风险及原材料价格波动，实现早期预警；
- 可持续性指标追踪：23%的企业将AI用于碳排放计算、循环经济物料追踪及绿色供应商认证。
行业差异与投资趋势
零售与制造业在AI应用重点上呈现明显分野：
零售行业（占样本45%）更关注终端需求波动应对。30%的零售高管将“适应消费者需求突变”列为首要挑战，因此AI投资集中于实时需求感知、促销效果预测及全渠道库存可视性。典型案例如某全球快时尚品牌，通过AI将新品上市至补货周期从14天压缩至5天，缺货率降低37%。
制造行业（占样本38%）则聚焦上游稳定性。57%的制造高管认为原材料采购中断是供应链最脆弱环节，34%提及法规合规压力日增。相应地，AI应用偏向供应商绩效预测、替代料源发现及合规文档自动化。例如某汽车零部件供应商借助AI将供应商风险评估响应时间从3周缩短至48小时。
信任构建路径与实施建议
Relex Solutions首席产品官Jani Tuomala在报告解读中提出“渐进式信任构建”框架：
- 透明化阶段：首先在低风险场景（如历史数据回溯分析）展示AI推理过程，确保决策逻辑可追溯；
- 协作化阶段：在中等风险场景（如安全库存建议）设置人机协同工作流，要求AI提供多方案比选及置信度评分；
- 监督化阶段：在高风险场景（如供应商切换建议）保留人工终审权，但允许AI在预设边界内执行例行操作；
- 授权化阶段：仅在高度标准化、历史表现稳定的场景（如常规补货单生成）授予AI有限自主权，并配备实时监控与熔断机制。
该框架与德勤2025年《供应链数字化转型白皮书》提出的“可控自治”理念高度一致，强调技术部署需与组织流程、人员技能及治理体系同步演进。
对中国供应链企业的启示
结合中国供应链发展现状，本次调研揭示三大关键启示：
第一，避免“全自动”冒进。中国制造业正处智能化升级关键期，但调研提醒：即便在AI技术领先的欧美市场，企业仍对完全自主决策持保留态度。国内企业应优先聚焦AI增强型工具，如智能排产辅助、质量缺陷预测、物流成本优化等，而非追求无人化黑箱系统。
第二，强化“可解释性”能力建设。随着《生成式人工智能服务管理暂行办法》等法规落地，AI决策透明度成为合规刚需。企业需投资于模型可解释性技术（XAI），确保AI建议能关联到具体数据源、业务规则及历史案例，满足内审及监管要求。
第三，培育“人机协作”新型岗位。AI不会取代供应链规划师，但将重新定义其职责。未来紧缺的将是既懂业务逻辑、又能调试AI模型、还可设计人机交互流程的“AI督导员”。企业需提前布局相关培训体系与职业发展通道。
这一发现与中国供应链从业者的实践高度吻合。据中国物流与采购联合会2024年《智能供应链应用白皮书》显示，国内头部快消与电子制造企业中，AI已普遍应用于销量预测（应用率89%）和仓储作业路径优化（应用率73%），但涉及供应商准入、合同条款自动修订、跨境关务申报决策等需承担法律与商业责任的环节，100%保留人工终审权。
横向对比可见，国际同行亦持相似审慎立场：SAP于2025年初发布的客户实践报告显示，其AI驱动的“智能寻源”模块在欧美客户中平均启用率为64%，但其中仅12%启用了自动发标功能，其余均限定为生成候选名单与评分排序；而Oracle Cloud SCM用户调研亦表明，超85%的企业要求所有AI生成的运输计划必须经物流经理二次确认后方可同步至TMS系统。
对全球供应链从业者而言，这意味着：AI短期内不会取代计划、采购、物流等岗位的核心判断职能，但将加速淘汰仅执行标准化指令、缺乏数据解读与跨环节协同能力的初级角色；同时，掌握AI工具调试、结果验证、偏差归因及人机协作流程设计能力的专业人才，正成为企业优先培养对象。当前主流厂商（如Relex、Kinaxis、Blue Yonder）的新版培训认证体系中，“AI决策监督员”（AI Decision Supervisor）已作为独立能力模块上线。
信息来源：dcvelocity.com
本文由 AI 辅助生成，经 SCI.AI 编辑团队审核校验后发布。
