Erik Walenza-Slabe是Asia Growth Partners的首席执行官、数字化咨询公司IOT One的董事总经理，也是工业互联网产业联盟的活跃成员，并领导美国商会的科技创新委员会。从2013年起，他负责管理独立创业社区Startup Grind上海分会。他还在2015年建立了IOT One学院以帮助企业消除在数字化转型过程中的能力缺陷。
过去五年，他与超过100家公司在数字化转型、市场准入、竞争对手对标、创业孵化和商业模式战略等领域展开合作；并经常受邀在各类论坛和会议中就企业数字化和数据驱动的商业模式等主题进行演讲。
世界经理人：你认为AI技术对供应链管理最大的颠覆性影响是什么？
Mr.Erik Walenza：
实际上，我认为人工智能对供应链管理最具颠覆性的影响将与其处理非结构化数据的能力相关。
传统IT系统已经非常擅长处理结构化数据，比如来自ERP、CRM或其他供应链管理系统的数据。但世界上大部分相关信息是非结构化的，比如新闻事件、供应商或客户的新闻稿、与合作伙伴的电子邮件或短信等。目前这些信息只能通过人工处理。
当然，人力成本高且时间有限，因此许多信息要么未被处理，要么处理得太晚。我们可能在一周后才得知某件事，无法及时响应。
现在，人工智能可以将这些非结构化数据转化为结构化数据，用于决策。比如，如果有一则产品召回的新闻稿，我们不需要等待团队成员偶然发现它，而是可以每天扫描相关信息。一旦系统捕获到这类信息，就能立即识别客户端的召回事件并快速响应。
这将彻底改变我们应对事件和优化决策的能力。这种变化目前仍处于早期阶段，但据我所知，许多传统供应链管理软件公司已开始整合非结构化数据。此外，许多专注于这一问题的原生AI软件公司正在涌现。
世界经理人：所以，这会让我们更高效？
Mr.Erik Walenza：
是的，效率提升是其中一种影响。
例如，几年前我们为一家化工公司做项目，他们的团队很庞大，但预测准确性很低。我们尝试识别所有可能影响其化学品供需的变量，这些变量可能大幅影响市场价格，而且市场价格每周都可能发生剧烈波动。
但许多关键变量涉及的是诸如美国消费者购车/房情绪变化和购买意愿信号，最初只是零星的数据点，也有可能在媒体上大量涌现，但当时很难追踪这类非结构化数据。
现在，AI可以高效分析这些趋势（比如美国房地产市场需求），并衡量对聚碳酸酯价格（与该化工企业相关）的潜在影响，从而优化预测和定价决策。
此外，AI还能提升企业洞察力。正如我前面提到的竞争对手的产品召回事件，你必须能够及时捕捉到这个信息，在第二天就致电客户并推销替代方案。这种从非结构化数据中提取可操作信息的能力极具变革性。
世界经理人：你觉得AI技术对企业（尤其是供应链企业）的改善，最被低估的是什么地方？
Mr.Erik Walenza：
过去，在技术发展上通常是由行业和企业为先导，消费市场随后跟上。但现在AI应用的情况反过来了。消费市场领先一步，而行业反而成了追随者。尤其是供应链领域，因为内部的复杂体系和风险意识，往往等到技术成熟后才采用。
未来5年，随着企业逐步解决内部组织挑战（如网络安全、隐私和流程重构），AI的能力将迅速提升。
近两年我们已经见证了AI新能力（尤其是决策相关领域）的爆发式增长。AI已经能在多数决策场景下达到人类管理者的水平。例如，AI已能通过患者症状描述提供比医生更准确的诊断。
在供应链中，主要障碍是组织层面而非技术层面。当企业解决这些问题后，AI带来的冲击可能会超出他们的预期，能够更快处理海量信息，优化供应分配、供应商选择和定价决策，甚至能以AI提议、人类审批的形式替代中层管理决策。
世界经理人：但这不会是种令人生畏的场景吗？如果机器能自主决策，自我生产，企业为什么还需要人类员工？
Mr.Erik Walenza
我承认这确实令人不安。在法律事务层面，我们已经看到了这种趋势，因为某种意义上来讲，法律比供应链更简单。供应链需要整合大量不同系统，涉及复杂的人际关系；而律师事务所的大量工作关键在于能否理解法律体系、历史判例，从客户描述中识别相关条款。这种流程相对简单。
现在，我们已经发现，律师事务所开始大幅减少初级员工招聘，因为AI能替代基础法律文书工作，不过高级律师仍不可或缺，因为需要资深人员管理人际关系。所以，律所的团队结构可能从“10位资深+90位初级”变为“15位资深+15位初级”。
实际上，还有一大风险在于，人类可能失去对决策过程的掌控。对于人类的错误决策，我们现在至少还能找到责任人进行沟通，听其解释决策逻辑。但AI可能用数千个变量决策，而人类难以理解其逻辑。所以我们需要在提升决策效率与保持人类对系统的控制力之间找到一个平衡点。
世界经理人：企业应用AI技术时，最常见的能力缺口是什么？或者说这类项目失败的主要原因可能有哪些？
Mr.Erik Walenza
中小企业和初创公司能快速采用AI，但大企业面临多重挑战：老旧系统难以改造，内部治理规则僵化，员工对AI可能导致裁员的抵触，传统企业难以吸引薪水要求高的AI专家。
比如，有一家规模较大的欧洲香精公司原本打算从科技巨头处高薪挖人组建自己的数字化团队，但由于AI人才普遍不希望履历上出现传统制造企业，不得不抛出30%的加薪以增加吸引力，但这种方案被自家公司HR以薪酬规则为由拒绝，最终他们只能选择外包AI开发。这也意味着，能力建设、数据积累等核心优势掌握在外部公司手中。
此外，决策层的认知鸿沟也是一个关键的阻碍：传统大企业的主要决策者大多超过50岁，其职业生涯形成于不同当下的技术时代，往往难以准确评估AI技术的成熟度。如果是在华运营的跨国公司，则更面临一重地理鸿沟——需要将中国市场的诉求与技术发展情况反馈给欧洲总部。这种跨境解释还要叠加上网络安全、隐私流程变更、重大投资决策等方面的考量，使得在华外企的AI部署决策更加难以施展。
此外，许多企业依赖微软Copilot这类“已批准但低效”的工具，而非垂直领域的解决方案。因此许多供应商成本更低的、针对性的优质方案往往因为不在预审名单中而不得采用。
企业必须正视这些挑战，审慎规划AI的实施路径。
世界经理人：在你所观察到的案例中，成功应用AI技术对自身进行改善的企业有哪些共性？
Mr.Erik Walenza
就中国市场的成功案例而言，我的观察主要基于服务跨国公司的经验，有效应用AI的案例通常具备以下特征：
-
首先设定的目标可以很宏大，但边界必须清晰的 目标。应当聚焦影响特定职能或流程的变革，从而明确利益相关方；
-
其次建立有高管层支持的赋能团队，确保团队拥有高度自主权；
-
同时获取基层支持。不强推方案，而是与一线员工沟通需求，共同设计流程变革。因为基层员工最清楚业务实际运作方式，能有效帮助定义功能需求。
这种“聚焦领域+远大目标+高层赋权+上下协同”的组合效果显著。
反之，常见的失败模式是：泛泛而谈“全公司AI化”，却缺乏具体实施方案，责任归属模糊，预算来源不清，决策机制缺失。许多公司满足于营造AI应用的假象，却从未真正改变业务的运营方式，最终往往流于形式地满足于微软Copilot这种“合规易用但效果有限”的方案。
世界经理人：所以，成功的关键是依靠人而非单纯依赖AI技术？
Mr.Erik Walenza：
完全正确。至少从现在到可预见的将来，AI虽能够非常高效地实现特定流程步骤的自动化，但必须由人类来决定哪些流程步骤可以自动化，如何围绕这种自动化调整流程。需要由人来确定优先次序，权衡利弊，规划初期投资方向。因此，人类的角色依然至关重要——我认为这种状况短期内不会改变。
世界经理人：中美企业会在应用AI技术进行创新方面体现出较大差距吗？比如，思维上的？
Mr.Erik Walenza：
我们需要分别考虑美国企业在美国的情况、美国企业在中国的情况，以及中国企业在中国的情况。
美国企业拥有成熟的AI生态系统，有大量供应商可以选择。人才成本虽高，但人才资源相当充足。而且由于许多企业的“同侪压力”，AI的应用相当迅速且积极，许多公司已取得显著进展。
中国企业虽起步稍晚（约落后6个月），但他们向来有快速采用新技术的传统——一旦明确技术对利润的影响，行动可能更迅猛。
至于在华美国企业，或者范围扩大一点，在华外企，则面临独特挑战：总部开发的各种AI解决方案在中国往往水土不服。虽然企业可以单独为中国分部单独开发并行方案，但若中国市场在公司整体营收占比太低，就很难证明为此投入AI开发资源的合理性。因此，外企的AI应用需聚焦可产生重大影响的关键领域——因为在AI应用的整体覆盖范围上，他们既难以匹敌中国本土企业，也无法与总部主导的全球方案相抗衡。
世界经理人：是否可以说，中国企业更愿意为试错买单？
Mr.Erik Walenza：
是的。中国企业更重视速度和结果，对试错容忍度较高——只要愿意承担错误成本，这种特质对AI应用是优势。
世界经理人：你认为AI技术的应用在解决长尾场景中有何优势？
Mr.Erik Walenza：
许多长尾场景对人类而言是隐形的。
一方面，人力成本高昂；另一方面，人类能处理的信息量有限，所以人类处理此类场景时通常只关注核心变量，对其持续追踪。人类可能对10个关键变量了如指掌，却对市场上其他可能产生影响的100个变量浑然不觉——其余变量处理起来过于复杂，难以分析，也难以传达。
而AI能同时追踪数千变量并识别潜在影响。例如，竞争对手工厂停产维护这类低频事件，人类可能忽略，但AI能分析数据并触发行动。我们完全可以通过训练AI来处理大量人类难以察觉的信息，进而得出有价值的洞见。例如基于竞争对手工厂的运营动态，向销售团队、生产团队、预测团队、定价团队传递针对性建议。
不过需要再次重申，这些都属于长尾场景的范畴，需要建立能够大规模追踪和处理相关数据的系统。而这正是人工智能将要发挥重要作用的领域。
