Part 1: 房间安静了下来
几周前，我向一位同事展示了我自己构建的一款供应链规划应用程序的演示。这是一位敏锐且经验丰富的供应链计划员，已在需求预测、产能管理及供应商风险领域深耕十余年。她正是那种本应对AI感到兴奋的人。
“这很酷。”当我打开该应用时，她礼貌地说。接着我依次点击各个标签页：支持人工干预与自然语言输入的需求预测、按资源与工厂划分的产能规划、含成本情景的瓶颈分析、物料清单（BOM）导航器、含三项产能情景评估的高管级S&OP摘要、供应商风险地图等。她的语气变了：“等等。这是你自己做的？”当我告诉她耗时约30小时时，她沉默了片刻，随后说：“我完全没想到这竟然是可能的。”
这种反应，我已多次见到——在董事会会议室、在工作坊中、在与各级供应链从业者的非正式交谈里。随后的讨论也总是相似的：
- “但这怎么可能？我还以为这种东西需要一整个开发团队。”
- “我们一直在用ChatGPT写邮件。这个……完全不同。”
- “我们过去6个月一直在规划的APS实施项目，现在还有必要吗？”
- “我能今天就拿给我们的供应链负责人、我们的首席运营官看吗？”
大多数人对AI当下能力的认知，与AI实际所能达成的能力之间，存在巨大鸿沟。我所指的并非理论上的未来或研究论文，而是此刻正在发生的现实：一位具备深厚领域知识的计划员，能在数天而非数月内构建出功能完备的业务应用。我必须坦言：这确实令我震撼不已。
在继续深入之前，我想明确一点：我构建的这款应用并不取代全规模的高级计划系统（APS）。一个生产级的SAP IBP、Kinaxis、Blue Yonder或o9实施，包含多年验证的数据集成、企业级可扩展性、合规监管保障以及专属变革管理。我这个30小时原型不具备上述任何一项，也无意替代。
关键在于AI素养
我想证明的是：当一位供应链领导者或计划员亲手构建出此类工具（哪怕仅是原型），对话将发生根本性转变。AI素养从根本上改变了你挑战软件供应商的能力，也改变了你提出尖锐问题的能力——即哪些功能真正需要耗资数百万欧元的实施，而哪些问题可通过一款智能、定制化的工具解决。那些为特定APS配置投入多年与巨资的组织，理应拥有更优秀的倡导者：他们懂得什么是真正困难的，什么其实并非如此。
我用约10小时构建了测试公司，又用约30小时构建了该应用本身——全程通过与AI对话完成，未使用传统编码。完整细节将在第三部分详述。
Part 2: 首先，我需要一条可供规划的供应链
你无法在真空中构建规划应用。你必须拥有一条供应链来规划。
因此，我做的第一件事是创建了一家虚构的电子制造商，名为ElectroTech Industries。这部分耗时约10小时。我设计并“vibe-coded”（氛围式编码）了该公司的结构，包括物料清单（BOM）、历史需求数据及完整的损益表，并通过多个交互步骤验证了其一致性。
ElectroTech在法国里昂附近、德国卡尔斯鲁厄及柏林运营三家工厂，为两个欧洲分销中心供货，产品组合涵盖10款成品，覆盖B2C与B2B渠道。产品包括智能家居集线器、工业控制器及电源管理模块。这些产品具备真实世界的复杂性：多层级物料清单、共用组件、长交付周期的子装配件、季节性需求模式，以及在成品与组件层面均存在的备件需求。
图1：测试公司ElectroTech的物理结构。
图2：测试公司ElectroTech的物料清单（BOM）。
我通过“vibe-coded”方式生成了符合实际的主数据，包括产品、资源、工艺路线、供应商、历史需求、库存位置、成本费率，并将其结构化为关系型数据库。这成为后续所有功能构建的基础。
当我向那位经验丰富的计划员展示该应用时，她的第一反应非常务实：她开始边看边思考，哪些自己日常的真实规划难题能借此解决。“需求干预”功能让她身体前倾——该功能允许你输入类似“将B2C渠道所有产品在11月的需求提高10%”这样的自然语言指令，应用即自动在整个预测中执行该调整。“这正是我们每月都要做的快速调整。只不过现在，它要花掉我们半天时间，靠Excel、电子邮件和我们的系统混搭完成。”
接着，她说了一句让我铭记于心的话。她在观察应用响应提示与提问的过程中意识到：与生成式AI互动，不像是使用搜索引擎或报表工具；它更像与一位能力极强但刚刚入职的新同事共事。这位新同事不了解你的公司、你的术语、你的边缘案例、你的潜规则。你必须为其“入职培训”。你必须提供背景、解释约束条件、说明什么重要及其原因——就像你为任何一位有才华的新岗位人员投入的指导与辅导一样。如果你不进行这种投入，只是把任务扔过去，你得到的将是泛泛之谈（或错误结果）。
“你必须把你的生成式AI引擎当作入职第一周的聪明同事来对待，而不是搜索引擎，也不是计算器。”
这是我听过的关于使用生成式AI最诚实、最有用的描述之一。那些真正从中获得价值的组织，正是那些严肃对待“入职培训”的组织。
Part 3: 构建应用——我实际学到的内容
该应用以Flask Web应用形式运行，后端为SQLite数据库，前端为JavaScript。共含八个标签页：需求计划、供应计划、BOM导航器、产能解决方案、高管级S&OP摘要、流程分析、供应商与风险、计划员知识库及分析。我几乎全程通过与Claude Code对话构建而成：描述我想要的功能、审阅返回结果、持续优化。总计进行了约15至20次实质性会话。
学习点1：成果惊人地贴近我的构想，且无需过度细化规格
需求计划标签页应显示统计预测、允许需求计划员更新预测、追踪变更并支持辅导。生成的可视化效果令人印象深刻；当我要求添加一个文本框以通过自然语言输入进行变更后，我深受震撼。
图3：S&OP应用的需求计划标签页，显示KPI、预测、关注焦点（按营收划分的预测准确率散点图）、人工更新及通过普通文本修改预测的可能性。
供应计划标签页展示了无约束视图与有约束视图，帮助你理解瓶颈并予以解决。我还构思并实现了一套瓶颈解决路径链，以定义优先级。
图4：S&OP应用的供应计划标签页——首为无约束视图，继而是在考虑约束与额外产能后的优化视图。
学习点2：领域知识绝非可选项——它让解决方案真正出色
若仅提示“设计一款S&OP应用”，我或许能得到某个结果。但它只会是一个通用仪表盘，附带几张图表和一两张表格。真正使其具备实用价值的，是我深知S&OP试图回答的问题。
我清楚产能规划需在资源层面而非仅工厂层面展开；超载情景不仅应显示利用率百分比，还应显示面临风险的营收额。计划员需要看清：安排周六班次或三班倒是否真能解决超载，以及其成本几何。所有这些均通过“vibe-coded”方式融入应用，包含真实的MRP、产能规划、拉动提前等逻辑。
以上内容无一来自随机提示，而是源于多年的供应链实践经验。AI是一支极为强大的建设者团队，为你工作、向你提出挑战、并增添有意义的细节。领域专家必须始终掌握控制权。
我希望BOM导航器不仅能像MD04那样逐层遍历，更要直观高效。生成式AI确实设计出一款BOM导航器：不仅展示结构，还呈现诸如供应商（针对采购场景）、交付周期、库存及供应商可靠性着色等关键绩效指标（KPI）。我对此惊叹不已。
图5：BOM导航器——展开BOM并显示库存、供应商可靠性等相关KPI。
学习点3：你无需指定每个细节——让生成式AI给你惊喜
在构建供应商风险地图时，我要求Claude“在地图上使用真实的海上航运路线”。我并未指定具体航线。返回结果中，里昂工厂的海运被路由至马赛港，卡尔斯鲁厄工厂的货物则经鹿特丹港出运。准确、符合语境、完全未经提示。AI理解地理信息。
图6：供应商与风险标签页，含正确海上航线。
当我要求生成覆盖周六班次与三班倒的产能情景时，我补充道：“请考虑这些选项的额外成本。”我并未提供具体数字。AI自行调研了相关轮班溢价费率——在德国，法定公共假日加班费（Feiertagszuschlag）为100%，夜班三班倒溢价约为25%——并将这些费率纳入成本计算。在真实应用中，这些溢价需复核并可能进一步调整，但始终应与生成式AI持续对话，而非直接修改代码。
我发现的规律是：所需创造性或情境判断越宽泛，你给予的自由度就越大；业务规则越具体，你描述就必须越精确。当空白处确属判断范畴时，AI能智慧地填补；但当答案取决于贵司、贵司合同或法律环境时，AI无法填补这些空白。
学习点4：迭代优于规格文档——在成果与速度两方面皆然
我并未撰写需求文档，也未编写技术规范……
来源：www.scmr.com
本文编译自海外媒体报道，由 SCI.AI 编辑团队整理发布。
