国企供应链数智化转型路径及挑战

随着网络强国、数字中国国家战略的不断深入，国有企业作为国民经济的中流砥柱，其数智化转型在促进新质生产力发展中发挥了重要的引领、示范和带动作用。国家密集出台政策，为国有企业数字化转型、人工智能（Artificial Intelligence，AI）应用提供支持。2025年，商务部等八部门联合印发《加快数智供应链发展专项行动计划》（商流通函〔2025〕56号），大力推动供应链领域数智化转型。同时，大数据、机器算法、AI等技术的逐渐成熟，为国有企业供应链的数智化转型提供了必要的技术基础，各企业纷纷开展探索实践。从各企业的探索历程来看，国企供应链数智化转型一般将经历以下3个阶段：

第一，线上化阶段：将传统线下业务流程，如采购申请、寻源采购、订单下达、合同签订等迁移至线上平台。该阶段主要聚焦于在流程标准化的基础上，实现流程线上固化以及操作留痕，确保供应链全流程可管、可控、可追溯，显著提升执行效率，减少人为干预导致的错误与延误。

第二，数字化阶段：在流程线上化的基础上，进一步将流程中流转的要素信息，通过数据标准化和结构化的方式进行萃取，使传统采购申请、招标投标文件、订单、合同等重要文档中的数据可视、可流通、可共享、可监控、可分析，为供应链运营和决策提供数据支撑。

第三，智能化阶段：在供应链数据底座的基础上，引入大数据、机器算法、AI等前沿技术，赋予供应链自主决策、智能预测与优化调整的能力。由于供应链运营对数据精准度高度敏感，基于结构化数据的大数据和机器算法等在该阶段被广泛应用。但随着大模型技术的出现和逐步成熟，语音、语义、图像的理解能力将为供应链运营管理拓展更大的智能化空间。

笔者主要聚焦于智能化阶段，以国有企业供应链运营中的重要场景为例，分析目前已有实践的智能化转型路径，以及其优势、局限和应对思路。

国企供应链数智化转型路径

如前所述，国企供应链在经历线上化、数字化阶段后，企业信息化系统流程已实现标准化，数据资源也更为丰富。在此基础上引入智能化技术，可推动供应链向智能化转型。从技术能力的成熟顺序来看，供应链智能化路径演进可分为3个阶段：结构化数据+算法阶段，算法为主、大模型为辅阶段，大模型为主、算法为辅阶段。以下将以供应链运营的核心场景为例，对上述3个阶段路径展开分析。

结构化数据＋算法

供应链通过精准运营实现企业采购成本下降和利润增长，历来对数据的精准度要求较高。而数学运算能提供最可靠的精准性支撑，因此，在供应链数智化初期，多数企业会基于标准化数据底座的算法模型，进而实现供应链决策、管理和运作的精准自动化。

在供应链运营场景中，企业可基于供应链全量需求相关数据（包括立项数据、投资数据、订单数据、领用数据和供应商交付数据等），在聚类算法、回归算法、时序算法等通用算法基础上，结合自身供应链业务特点开展数据清洗和因子筛选，最终构建符合企业特征的采购需求预测模型。该模型可对未来一定周期内的采购需求进行定量预测，为实现周期内供需平衡提供辅助支持。

在风险防控场景中，企业可基于库存数据、需求数据、采购周期、供应商产能、物流速度等结构化要素，构建风险评估算法模型并设定关键指标与阈值。一旦风险指标超过阈值，系统将自动发出预警，提示企业采取应对措施（如寻找备选供应商、调整库存策略等）；对于特别严重的风险（如供应商被列入严重负面行为清单），则通过流程管控限制其合作（如不得新下订单），初步建立风险防控体系。

在智能评标场景中，需先对招标文件和投标文件进行结构化处理，将复杂的文本信息拆解为标准字段（如投标企业资质要求、报价明细、技术方案要点、评分计算规则等），再运用规则引擎算法，依据预先设定的评标规则对结构化数据进行初步筛选与自动评分。例如，明确规定“投标企业注册资本需达到一定金额、过往业绩需满足特定项目数量与规模要求”，则不符合基础规则的投标将被自动剔除，符合规则的投标则按照评分计算规则得出分数。这种方式能显著提升评标效率，减少人工重复性劳动。

结构化数据+算法的优势在于精准度高，对价格、采购数量、业绩金额等结构化数据处理效率高、速度快。其劣势则在于需要事先通过人工将非结构化的信息进行全量标准化、结构化处理，使之成为能被算法处理的结构化数据，再运用大数据、机器算法等技术，按照业务逻辑设置算法模型，通过自动计算实现智能化处理。同时，处理非结构化信息往往会耗费大量人工工时，且对用户习惯改变较大。例如，对投标企业的资质要求，需要人工按品类进行标准化梳理，形成结构化的资质要求库，供采购人员编制招标文件时逐一勾选。这种模式的局限性明显：灵活性较差、迭代速度慢，难以适应瞬息万变的供应市场需求。

算法为主、大模型为辅

随着大模型技术逐步成熟，其在语言与图像理解、内容生成和逻辑推理方面的强大能力，可有效弥补结构化数据+算法方式的短板，为供应链智能化水平提升提供新的可能。

在供应链运营场景中，采购需求预测除考虑如前所述的库存数据、需求数据、采购周期、供应商产能、物流效率等各种结构化数据外，还可运用语言大模型的语言理解能力，引入市场分析报告、企业近期营销方案、重大事件新闻等非结构化文档，并总结抽取其中对影响需求的关键信息要素，与其他因子共同纳入采购需求预测模型。一种可行路径是，先基于不同算法获得多个定量预测结果，再通过历史案例训练大模型，使其理解市场情况、营销方案、重大事件对需求的影响，最终按可能性从高到低推荐预测方案，并生成评估报告。

在供应链风险防控场景中，基于库存数据、需求数据、采购周期、供应商产能、物流速度等结构化要素评估风险的同时，借助语言大模型的理解能力，辅助开展风险信息的整合与解读，使其能够处理来自新闻媒体、社交媒体、行业报告等多源非结构化信息，从中提取与供应链风险相关的情报（如政策变动、行业突发事件、重大灾害事件等），并将这些信息与结构化风险数据相结合，为算法预测提供更丰富的信息维度，从而增强风险防控的前瞻性与全面性。

在智能评标场景中，可借助语言大模型强大的自然语言处理能力，对招标文件内非结构化的资格条件要求、评分办法，以及投标文件中的非结构化技术方案、商务条款描述等内容，进行初步理解与摘要提取，从而为算法分析提供数据输入并生成评标报告，进一步提升评审准确性与效率。

在该阶段，供应链信息系统仍以现有供应链流程为核心，结合已有技术工具，重点挖掘各流程环节中可通过智能化手段优化的节点，推进智能化升级，实现“供应链+AI”模式。其中，AI技术以算法为主，以确保数据的精准度，但在某些需要语义理解的关键点引入大模型辅助，发挥类似于人类专家的解读、经验判断作用。不过，鉴于当前大模型输出内容的准确度尚未完全达到人类专家水平，因此其在该场景下仍以辅助角色为主，暂不承担核心决策功能。

大模型为主、算法为辅

随着大模型技术的成熟，其带来的变革远超专家解读和经验判断。按照AGI（Artificial General Intelligence，通用人工智能）发展的终极目标，未来的AI将具备与人类同等的（甚至超越人类）、跨领域通用智能，能够像人类一样，在无特定任务预设的情况下，自主学习、理解、推理，并解决各类复杂问题，而非局限于单一领域或特定任务。具体到供应链领域，即AI有望胜任现有供应链专家的全部任务。当然，这一终极目标的实现尚需时日，但AI胜任供应链专家任务的趋势已初现端倪。与上一阶段在供应链流程中运用AI技术进行局部提升的模式不同，当前阶段已经开始以AI供应链专家的视角，重构系统架构和能力设计，即“AI+供应链”。此时，AI大模型成为供应链信息系统的“大脑中枢”，负责统筹各类结构化数据与非结构化信息，主动识别任务需求，并调用适配的算法工具完成任务。不过，受当前大模型能力水平的限制，这一功能目前主要以供应链AI助手的智能体形式呈现。该助手虽然可以像人类从业者一样，主动完成职责范围内的各项任务，但其任务完成精准度仍无法与人类专家相媲美，仍需要人类专家进行最终审核把关。

对供应链运营者而言，其AI助手会依据运营者的核心工作内容（如供应链运营状况和风险防控要求等），承担两项核心职能：一方面，通过实时整合供应链各环节数据，实现对供应链运营状况的全景感知与实时洞察，并结合市场动态与企业目标，自动生成最优运营策略；同时，基于该策略实时调整生产计划、采购计划、物流配送计划等，最终将方案推送给运营者，待其确认后下发执行。另一方面，AI助手会主动捕捉内外部环境变化，对供应链全链条进行全方位风险扫描，精准预测风险事件的发生概率与影响程度。此外，AI助手还能模拟不同风险应对策略的实施效果，将分析结果与备选方案推送给运营者，待运营者选择确认后，自动启动风险解决方案的执行流程。

对于评标专家而言，AI助手的工作流程更为聚焦：首先，解析招标文件要求，特别是针对初评、详评的评分规则，进行结构化拆解；其次，从投标文件中提取与评分规则对应的关键内容，形成分析报告；最后，按照招标文件明确的评标方法，调用不同的算法模型自动进行分数计算，从而生成中标候选人名单，并将完整结果推送给评标专家进行最终确认。

不难看出，在当前阶段的“AI+供应链”模式中，业务流程主要由AI智能体主动发起并完成，人类专家负责最终确认。这意味着，人类工作者的工作内容发生变化，从传统的操作者变为“把关者”。甚至可以预见，若未来大模型的智能化程度足够高、任务完成精度实现突破，AI智能体有望完全取代人类专家，独立完成供应链领域的核心任务。

挑战及未来展望

在当下，有诸多因素影响大模型的智能化可用程度，供应链专家也面临多项亟待完成的重要任务。

构建高质量数据集

高质量数据集是大模型训练的基础，也是解决大模型幻觉问题的关键所在。然而，在结构化数据层面，当前国企供应链数据往往存在缺失、错误、不一致等问题，尤其当数据采集源头众多、系统集成难度大时，低质量数据会严重影响大模型的训练效果，降低其预测精度。在非结构化知识层面，现有大模型对国企供应链特定行业的专业知识储备明显不足，这导致其在处理涉及行业标准、技术细节、业务流程特殊性等问题时，往往难以给出准确或合理的建议。

针对上述问题，供应链专家需从两个方面发力：一方面，聚焦建立完善的数据治理体系，该体系需覆盖数据标准制定、数据质量管理、数据安全保障等核心环节，通过数据清洗、数据修复、数据集成等技术手段，系统提升供应链数据质量；同时建立数据质量监控机制，实时监测数据质量指标，确保及时发现并解决数据问题，为算法提供可靠的数据基础。另一方面，积极应用知识图谱技术，对供应链领域的专业知识进行系统性梳理与结构化呈现，形成体系化知识并注入大模型，提升其对供应链业务的理解深度与业务处理能力。

掌握提示词工程

提示词是用户与大模型交互的“桥梁”，其质量直接影响大模型回答的准确度，“会提问题”已成为用好大模型的必备技能之一。

在“AI+供应链”时代，供应链专家还需要掌握提示词撰写能力。优质的提示词需满足三大核心要求：一是具备明确的范围限定与核心问题定义，以降低歧义产生的概率；二是提供充足的上下文信息，既减少歧义，又避免信息偏差；三是针对复杂问题，需嵌入清晰的推理逻辑，通过指定推理框架、步骤要求，引导模型形成“结构化思考”模式，避免回答逻辑混乱或关键环节遗漏的问题。而这一过程，也要求供应链专家对供应链业务本身的隐性规则进行显性化梳理。

关注数据隐私与安全

大模型训练与推理过程需要依赖大量数据支撑，而供应链数据包含众多敏感信息，如商业机密、供应商信息、客户数据等。若将此类数据直接上传至云端用于大模型训练或推理，极易引发数据泄露风险；一旦发生数据安全事件，将给企业造成难以估量的损失。对此，供应链专家需先明确数据安全风险边界，按照数据敏感程度划分数据安全等级，再根据不同等级匹配对应的训练、推理权限；同时向技术部门提出针对性的安全保障要求，包括但不限于数据隔离、加密保护、数据脱敏等。

结语

随着技术的发展，国企供应链的数智化转型历经结构化数据＋算法，算法为主、大模型为辅，大模型为主、算法为辅3个阶段，从“供应链+AI”走向“AI+供应链”，对供应链从业者提出了新的要求。展望未来，随着技术的持续迭代与场景应用的不断深化，国企供应链将在数智化技术驱动下实现三大突破：运营效率的飞跃提升、风险防控能力的显著增强，以及供应链生态的协同进化。这三大突破将助力国有企业在复杂多变的市场环境中巩固竞争优势，为国民经济的高质量发展提供坚实支撑。

（作者单位：中国移动通信集团有限公司供应链管理中心）