自第一波互联网繁荣期以来,供应链管理的发展速度就迎来了前所未有的大爆发。如今,人们又开始热烈讨论AI对规划、制造和物流行业的影响。遗憾的是,寻源采购似乎被排除在了考量范围之外。
智能寻源采购是一种系统功能,强调在企业的整个生命周期内实现供应商价值的最大化。尽管首席采购官(CPO)们早已充分意识到这种采购方法的协作属性,但受到大量过时系统的拖累,无数精明的采购人员仍被迫将大量时间和精力消耗在价格谈判、合同签订和供应商审计等偶发性工作上,而很少能专注帮助其他企业部门作出更好的采购决策。
浪费头脑是种巨大的损失
工程领域有句老话,认为80%的生命周期成本在产品设计阶段就已经锁定。但在实践层面,大多数人明显还没吃透这句金玉良言。问题的实质不在于人们不理解这句话,而是擅长跟供应商一同创造价值的采购专业人士忙于处理日常事务,根本无法在制定设计决策时充分发挥自己的专业知识。因固件短缺导致交付延误的波音787梦想飞机就是典型案例,凸显出采购水平可能给业务带来的巨大财务冲击。
在最近的采访中,一位首席采购官指出了这个核心问题:“我不知道技术是不是真的带来了它所承诺的好处”——包括解放采购团队,让专业人士处理更多增值工作。从实际合作经历来看,大部分企业的采购部门仍然苦于争取预算,努力想要跟上规划、物流和电子商务方面的发展速度。
但波音787梦想飞机延误毕竟属于小概率事件,要想在实际运营中争取到资金预算,还是要看采购部门能帮企业省下多少真金白银。更可悲的是,总有些人认为采购的要义就是“拣便宜的买”。这种忽视采购专业知识的行为往往令本就话语权有限的采购部门更加雪上加霜。
AI前来支援
“智能寻源采购”的理念始于2020年,这段时间业务流程涌入了大量涉及各零件编程和材料规格的相关数据。第一波冲击是环境、社会和公司治理(ESG)问责制对企业提出的材料采购与排放控制压力;之后,全球贸易紧张局势给采购平台来了一番大洗牌,企业必须对原产国可追溯性等风险管理指标做更精准的追踪。
再有,社交媒体(特别是TikTok)的力量增加了对各品牌的采购决策风险,彻底扭转了以往只需要做简单成本效益计算的局面。如今各种数据集之间相互关联、错综复杂,大多处于非结构化格式,而且总体规模仍在快速扩张。但好消息是,AI技术正在出手帮助厘清各种数据类型。
AI对于机器人流程自动化(RPA)和动态供应商门户同样至关重要。宝洁等领先企业已经建立起这类门户以帮助采购团队简化工作流程,并为供应商合作伙伴提供更好的自助服务工具。沃尔玛也使用AI与长尾供应商进行价格谈判,借此腾出更多时间与主要供应商开展更加密切的战略合作。
对于希望帮助企业做出更佳采购决策的开明首席采购官,智能寻源采购无疑是一股值得关注的潮流,其本质是从ERP样式的表格数据结构和工作流应用、逐步向AI时代的新形态过渡。如果能够成功落地,这种方法将在问责制和协作水平方面带来突破性成效,充分满足理想采购模式中的这两大基本价值指标。
不止于此
即使还没有部署完整的技术支持系统,部分企业也已经在运用智能寻源采购的概念,突破以往单纯强调“质优价廉”的原材料和设备采购思路。例如,施耐德电气已经与其前1000家供应商合作,计划在2025年将运营碳排放量减半。General Mills则开展投资分析以指导农民供应农作物,预计到2030年在100万英亩土地上发展出可再生农业。宜家也从2015年开始努力,终于实现了棉花供应中的100%可再生比例。
供应管理所关注的不仅仅是成本,智能寻源采购能够激发出由首席采购官主导的驱动力,实现从概念规划到业务完成的全生命周期价值回馈。
而AI,正是开启这座宝藏的钥匙。
好文章,需要你的鼓励
邻里社交应用Nextdoor推出重新设计版本,新增本地新闻、实时警报和名为"Faves"的AI功能,用于发现本地商户和地点。该应用与3500家本地出版商合作提供新闻内容,通过Samdesk和Weather.com提供天气、交通、停电等实时警报。Faves功能利用15年邻里对话数据训练的大语言模型,为用户提供本地化AI推荐服务,帮助用户找到最佳餐厅、徒步地点等本地信息。
Skywork AI推出的第二代多模态推理模型R1V2,通过创新的混合强化学习方法,成功解决了AI"慢思考"策略在视觉推理中的挑战。该模型在保持强大推理能力的同时有效控制视觉幻觉,在多项权威测试中超越同类开源模型,某些指标甚至媲美商业产品,为开源AI发展树立了新标杆。
英国生物银行完成了世界上最大规模的全身成像项目,收集了10万名志愿者的超过10亿次扫描数据,用于研究人体衰老和疾病过程。该项目历时11年,每次扫描耗时5小时,投资6200万英镑。目前已有8万人的成像数据供全球研究人员使用,剩余数据将于年底前发布。项目已开发出能预测38种常见疾病的AI工具,并在心脏病、痴呆症和癌症诊断方面取得突破。
这项由北京大学等多所高校联合完成的研究,首次对OpenAI GPT-4o的图像生成能力进行了全面评估。研究团队设计了名为GPT-ImgEval的综合测试体系,从文本转图像、图像编辑和知识驱动创作三个维度评估GPT-4o,发现其在所有测试中都显著超越现有方法。研究还通过技术分析推断GPT-4o采用了自回归与扩散相结合的混合架构,并发现其生成图像仍可被现有检测工具有效识别,为AI图像生成领域提供了重要的评估基准和技术洞察。