Citadel 创始人 Ken Griffin 警告 AI 领域存在金融泡沫，同时指出企业从 AI 获取价值的能力不均。Anthropic 招股书草案显示 2026 年上半年净亏损 807 亿美元，未来十年基础设施承诺支出至少 5,180 亿美元。文章指出，供应链技术的价值最终要由运费、吞吐量、拣选生产率等运营指标检验，而非演示效果。
据 logisticsviewpoints.com 报道，Citadel 创始人 Ken Griffin 在纽约举行的 Citadel 未来全球市场会议上警告，人工智能领域几乎肯定存在金融泡沫，但他同时指出，企业从 AI 中获取价值的能力并不均衡。对运输、仓储和供应链管理者而言，真正的问题是：为 OpenAI 和 Anthropic 支付的账单，是否换来了足够的生产率提升。
支出规模惊人，回报仍不确定
据路透社援引 Anthropic 的 IPO 招股书草案报道，该公司 2026 年上半年净亏损 807 亿美元，其中包括与可转换融资工具相关的 720 亿美元非现金会计费用。这一数字并非等额的现金经营亏损，但公司同时披露，未来十年在云服务、计算和基础设施方面的承诺支出至少达 5,180 亿美元。
这些基础设施义务的影响远超硅谷。AI 模型的成本和可获得性，直接决定企业软件的经济性。在运输管理系统（TMS）、仓库管理系统（WMS）和供应链计划（SCP）领域，供应商正在推出对话式界面、预测工具、智能异常管理和自主智能体。
其中部分能力当下已有价值，另一些仍只是”未来可能实现”的演示。对技术买家而言，难点在于区分有用的功能与真实的财务回报。一个精密的模型本身并不会移动货物、补充库存或清理仓库积压。
供应链生产率要用运营指标衡量
以运输计划员为例：借助 AI 用两分钟而非二十分钟比较承运商，这是任务效率的真实改善。但如果运费、设备利用率、人员配置和准时率没有变化，对业务的影响可能有限。更有价值的应用，是识别即将发生的服务失败、评估替代方案，并帮助避免昂贵的加急运输或延误交付。
仓储场景存在类似区分。AI 可以推荐货位调整、预测人力需求或检测拥堵，但真正重要的指标是吞吐量、拣选生产率、订单准确率、人力成本和设备利用率。更好的建议只有在实际设施中、在真实的约束条件、劳动力和自动化设备下能够执行，才有意义。
供应链计划则增加了一层复杂性。更准确的预测固然有用，但其真正价值取决于它是否改变采购、生产、产能或库存决策。如果计划周期和部门激励保持不变，分析能力的提升可能带来相当有限的财务收益。
因此应当区分三个层次：更快的单项任务、更高效的操作流程、可衡量的企业回报。三者相关，但不可互换。供应链技术最终应以对企业绩效的贡献来评判，同时关注总实施成本、异常处理以及仍需人工完成的工作。
竞争优势正超越模型本身
ARC Advisory Group 的 2026 年仓库管理系统 MarketMap 报告考察了一个 WMS 正从交易型库存管理，向劳动力、机器人、自动化和运营决策协调延伸的市场。供应商之间的重要差异在于执行深度、互操作性、架构以及与运营环境的契合度，而不只是演示幻灯片上 AI 功能的多少。
ARC 的供应链决策智能 MarketMap 则关注计划与执行领域的相关进展，聚焦数据、分析、优化、工作流编排与企业系统之间的连接。仅靠可视化并不能解决中断问题，决策智能能力必须帮助确定该做什么，并将建议连接到经授权的行动。
设想一票入库货物延误：可视化应用识别问题，计划系统估算库存敞口，TMS 考虑替代方案，仓库调整收货能力。最大的价值来自这些步骤的协调，而非在每个应用中各放一个独立的 AI 助手。
这也是软件供应商面临的挑战。随着基础模型日益普及，对话式界面和文档摘要可能不再能收取溢价。持久的差异化将越来越多地来自运营专业知识、可信数据、集成工作流、可靠执行和可衡量的客户成果。AI 可以强化 TMS、WMS 或计划平台，但无法替代这些能力。
智能变便宜之后会发生什么
Griffin 提供了一个有用的类比：计算芯片类似航空座位，因为闲置产能的边际运营成本相对较低。一旦基础设施建成，供应商就有动力出售未使用的产能，即使价格低于早先的预期。如果 AI 算力供给超过需求，价格可能大幅下跌。
“计算芯片类似航空座位，因为闲置产能的边际运营成本相对较低。”——Ken Griffin，Citadel 创始人
2000 年前后的电信建设提供了先例：过剩的光纤产能导致投资者严重亏损，但最终让用户享受到更便宜的通信服务。AI 领域可能出现同样的分化——基础设施投资者回报令人失望，并不必然意味着购买计算服务的客户经济性也令人失望。
对物流而言，模型成本下降可能扩大可行应用的范围。一个原本只对数百个高价值计划决策经济的 AI 工作流，可能变得适用于数千个常规的运输、仓储或采购决策。规模较小的运营商也有望获得目前需要大笔技术预算才能拥有的能力。
但这一结果并非必然。集成、数据准备、安全、测试、治理和人工监督仍需花钱，更复杂的 AI 推理也可能消耗更多计算资源。方向很重要：更便宜的智能创造了将决策支持嵌入更多日常运营流程的机会——前提是供应商不会用更高的软件费用抵消模型成本的下降。
另一侧也存在风险。融资回调可能推迟数据中心建设、令 AI 供应商承压，并打乱依赖它们的软件供应商的路线图。因此买家应评估互操作性、供应商韧性，以及在不重建整个工作流的前提下更换底层模型的能力。
检验标准是运营报表
供应链高管不需要预测 AI 市场的顶部。他们需要建立基线、衡量完整的实施成本，并确定必须改善的运营结果。运输应用应降低运费或异常成本；仓储应用应提升吞吐量和劳动力绩效。
换言之，AI 在供应链中的价值，最终要由运营报表而非演示效果来证明。
本文编译自海外媒体报道，由 SCI.AI 编辑团队整理发布。
