儘管數據共享仍然構成挑戰，但不少組織已經將AI之力應用到供應鏈管理中的兩大關鍵領域。
供應鏈是個範圍極廣的產業概念，從產品設計起步，一路涵蓋採購、製造、分銷、交付與客戶服務。思科AI/ML數據產品主管Devavrat Bapat表示，「在這些方面，AI與機器學習都擁有巨大的應用潛力。從現實來看，目前這一代AI已經非常擅長處理供應鏈管理中的兩類事務。」其一自然就是預測，AI可用於預測下游需求或上游供應的震盪波動。此外，AI算法還能檢測出一個或多個預示故障的前兆性事件，搶在真正影響生產質量之前就向裝配線操作員發出警告。
第二點則是檢查，AI可用於發現製造流程中存在的各類問題、認證材料和組件，並在整個供應鏈中跟蹤它們的動向和變化。
最後，AI還有助於優化供應鏈，滿足任何給定情況下的具體客戶需求。可問題是，基本技術已經客觀存在，接下來要做的是實現某種程度的數據共享，但這也是當今供應鏈最為孱弱的環節。而在探索的過程中，現有預測和檢查能力已經足以為許多公司帶來顯著收益。
預測類用例
以全球最大的包裝公司Amcor為例，其整體收入高達150億美元，坐擁4.1萬名員工和200多家工廠。其大部分市場集中在食品和醫療藥品的包裝領域。
該公司全球CIO Joel Ranchin表示，「您存放在冰箱中的食品和藥品，有三分之一的包裝出自我們之手。」當然，作為製造業中的一分子，Amcor也面臨著難以準確預測、跟不上市場需求的快速變化等一系列現實難題。隨著需求的波動，食品供應鏈中的訂單趨勢總在不斷變化。例如，在火熱的天氣里，人們更願意買瓶冰涼的運動飲料，於是相關需求會突然激增，相關包裝瓶的用量可能瞬間增長10%到15%。其他類型的產品也是如此，比如漁場水產意外豐收，包裝需求自然也要水漲船高。Ranchin坦言，「雖然我們一直在努力預測，但這事非常困難，沒人能永遠提前猜准客戶的實際需求。」
而在供應鏈的另一端，類似的挑戰也同樣存在。如果Amcor無法準確預測到供應短缺，就沒辦法提前儲備原材料。更重要的是，該公司還得提前考慮價格波動，以便在漲價之前以較低的成本囤積更多原料，或者在原料即將降價時果斷收縮當前採購量。
大約一年之前，Amcor開始嘗試使用EazyML，一套幫助優化客戶需求和供應預測的平台。他們用過去三年的ERP（企業資源計劃）數據訓練這款工具，希望找出波動的變化模式。該系統會努力確定變化類別，以及不同類型的變化具體跟哪些事件有關。例如，它會檢查季節性波動，觀察兩種/多種類型的變化是否總會同時發生，又或者各類變化間是否相互排斥。
Ranchin解釋道，「我們的早期結果令人相當振奮，效果比預期要好得多。只要能夠預測變化，我們就能更好地把握原材料需求，並在必要時提前補充。」
Bapat對此也深有同感。他表示預測已經在AI技術的支持下迎來了顯著改進。「以往 ，很多組織依賴於共識性預測，即使用來自不同專家的加權輸入來得出平均期望。」而研究表明，統計預測（即使用統計技術從歷史數據中進行推斷）的效果始終優於共識方法。機器智能的表現甚至比統計預測還要好，但前提是一定要使用正確的高質量數據。
製造流程檢查
AI技術的另一大重要用例可以參照英特爾公司，他們需要使用光刻技術將多個晶片列印在同一片晶圓之上。距離晶圓中心位置越近，晶片的性能與可靠性往往都有保障；而靠近外圈的部分雖然依舊可靠，但大多要犧牲掉一部分性能。英特爾為此設定了質量閾值，會根據該閾值衡量晶片以確定要保留還是丟棄。然而，對晶圓進行人工檢查無疑是個耗費心神且極易出錯的過程。
英特爾高級副總裁兼CTO Greg Lavender表示，「我們使用AI技術來選擇合適的高質量晶片，這樣我們就能加快晶片生產速度，並讓投放市場的晶片擁有更佳質量。當然，我們還嘗試用AI解決其他問題。比如，英特爾擁有數百名AI軟體工程師，可以向CTO直接報告。他們日常工作中的重要部分，就是對我們的製造流程進行檢查和測試。此外，他們還為英特爾開發了產品內置的很多AI功能，很多用戶對此可能根本沒有留意。」
一個典型用例就是英特爾提供惡意軟體測試，藉此幫助OEM客戶保障安全。比方說運行在英特爾筆記本平台上的威脅檢測技術（Intel Threat Detection Technology）。當Windows系統在執行代碼時，該項技術會檢查CPU中的指令流，並使用自適應學習簽名算法查找與惡意軟體簽名相匹配的異常跡象。一旦找到匹配項，該工具就會攔截或阻止惡意軟體，並通過警報提醒Windows Defender當前設備上發生了感染。
Lavender表示，「威脅檢測技術內置於我們的所有客戶端CPU之上。這些感染可能通過供應鏈滲透進來，而在最終產品被組裝起來之後，發現並將其解決的唯一方法就是使用我們的工具。過去幾年來，我們一直在提供這些AI工具。如今世界範圍內關於大語言模型的討論掀起熱潮，所以關注AI工具的朋友也越來越多。」
根據思科公司Bapat的介紹，檢查是供應鏈管理中的一大重要組成部分。如果能在產品設計過程中採取正確步驟，檢查的難度也將顯著降低。他解釋道，「如果能在產品設計過程中嵌入儀器以生成檢測數據，藉此監控設備中的實際流量，那企業就能節約下大量成本。以往的產品物料清單和勞動力負擔成本往往非常高昂，而其中的主體大多是產品質量保證和監管開銷。而如今，AI已經能幫助我們將成本不斷壓縮至更低的水平。」
產品優化
預測和檢查當然很重要，但除此之外，AI在根據特定客戶需求進行供應鏈定製時，同樣能發揮重要、甚至是極為關鍵的作用。Bapat在設計AI算法時就切實體會到了這一點。思科當初的AI項目開發和部署耗費了9個月時間，但大家最終驚奇地發現，這樣的方案居然還得再做大量調試和優化才能正常工作。回想整個過程，Bapat意識到無論技術本身有多麼先進，如果不先搞清楚最終用戶是誰、他們要怎麼使用技術方案，那一切預期結果都只能是天方夜譚。他還提到，雖然高層管理團隊的話語權最重，但他們往往並不是最終用戶的主體。
「從那以後，我就一直強調無論是在銷售還是供應鏈管理工作當中，都必須在起步之初就對基礎業務建立起良好認知。只有明確理解了實際需求，我們才能規劃好後續的數據與AI應用路線。」
Bapat認為，這一理念在供應鏈管理中也同樣適用。「如果你真正關注最終消費者，就應該利用AI對其進行細分、對齊，並結合應用環境釐清實際需求。之後再回歸供應鏈設計，我們才能發現其中的不同成本元素：勞動力、生產、稅收、庫存，並做統一優化。」
他還補充道，一旦針對供應鏈流程進行了優化，接下來就可以部署並實施質量預測與維護，再據此逆推至採購環節。
「這也就是大家常說的，供應商是合作夥伴、而非競爭對手。」
說到這裡，細心的朋友肯定意識到數據共享的難點所在——整個供應鏈在本質上是由多家獨立企業組成的，各方至少出於三個理由而不可能順暢共享數據。首先，各方可能擁有與一家或多家合作夥伴存在競爭的業務線；第二，各方可能分別是一個或多個相互競爭的供應鏈中的組成部分；第三，各方會對自身資訊嚴格保密，藉此增強在談判桌上的話語權和影響力。
所以儘管目前這一代AI技術已經能夠優化甚至是定製供應鏈，保證以適當的價格將適當的產品交付給適當的客戶，但正因為缺少數據共享這個前提，一切的一切還只能停留在理論可行的階段。
Bapat最後總結道，「這實際也可以看作是一種技術缺失，即需要一種技術來幫助各方組織放心將部分數據與合作夥伴共享，同時保證涉及核心利益的關鍵部分不致泄露。要想達到這樣的理想效果，我們可能還需要5到10年的發展周期。」
