甲骨文上线智能体供应链应用：分配、配载、采购支出三件套

详细拆解

甲骨文 10 月 30 日上线了三样东西，有意思的不是它们是智能体，有意思的是哪三样。供应计划分配、发运配载、采购支出。不是需求感知，不是订单承诺，不是单独的库存优化。三个分配问题。这不是巧合，也不是市场部挑的；你一旦看懂为什么是这三样打头阵，就能预测下一批会上什么，也能很快判断哪些对你根本没用。

分配问题跟供应链系统里其他东西不一样的地方只有一个：它是零和的。给甲客户多分一点稀缺物料，乙客户就少一点。把这票货塞进这个拼载，另外一票就得等。把这笔采购挪到协议价上，另外一笔就留在协议外。这三件事没有一件增加产能，它们只决定谁拿到什么。副驾式的助手干不了零和问题，因为它产出的是一段文字，而文字最擅长的就是听起来很合理、同时悄悄不对任何人说不。一个必须把分配结果真正写进执行表的智能体没有这个余地，它必须在某人的那条线上填一个数字，然后还得说清楚为什么。

发布说明里写的是：在一个受管控的运行环境里跨数据推理、比较取舍，并把已批准的动作推进到执行。我把这句话读成工程约束，不是卖点。必须有人决定审批闸门放在哪里，而这个决定就是这类部署成不成的地方。下面我大部分篇幅都花在这上面。

先说清上了什么。10 月 30 日发布的三件供应链应用。供应计划分配，处理稀缺物料和受限产能，对着需求和承诺去分。发运配载，构建配载方案，按时效、服务和成本去测拼载划不划算。采购支出，去找绕开协议的那部分采购，以及合同漏损——协议签了、付的钱却不是协议价——它量化能省多少，还给整改建议。跟副驾助手的区别，官方说法是它们不给你草稿：它们跨数据推理、比较取舍，把批准后的决定推进执行。如果你本来就在这套系统里跑计划和采购，这三件现在就落在你计划员日常工作的同一个数据边界里。如果你只拿它跑财务、供应链在另一套系统里，那这些智能体的推理边界就是那套数据，下面每一句话你都要透过这个滤镜读。

为什么是现在，为什么是这三样。两个条件得同时成立。一个条件，是模型能带上凭据完成一个有边界的任务：给它一个带约束的问题，它给出决定，还能把背后的算式摆出来。这道门槛是最近才跨过去的，跨得这么新，厂商连该叫什么还在吵。另一个条件，是数据在一个地方。一个要跨供应链推理的智能体需要一个封闭世界，而一套打通的系统就是一个封闭世界。两个条件单独都不够：模型再好、数据散在六套系统里，你得到的是个聊天机器人；数据再干净、模型只会写草稿，你得到的是一个永远不落地的助手。

分配、配载、支出分析这三样，全都是约束优化，而约束集本来就躺在计划表里。这就是它们打头阵的原因。需求预测没排上，因为预测是没有凭据的赌注。订单承诺没排上，因为承诺碰到客户合同，没人想让智能体在第一版里做这个决定。

这套东西到底给谁用、能有多大，短答案是：价值跟着你约束集的形状走，不跟着你的营收走。分配在真稀缺的地方才有回报——物料受限、产能受限、需求大于供给，而且有不止一方在争。一家有三个工厂、四个关键客户、两种瓶颈物料的按单生产企业是最理想的形状。一家供给无限、只有一个仓的分销商什么都拿不到，因为没什么可分的。配载在真有拼载空间的地方才有回报：发运频次高、整车和零担混跑、线路结构上两票货物理上能拼一车。

假设一家货主一年 6,000 票，平均拼载率 62%。假设优化把拼载率提到 71%，每票平均成本从 1,850 美元降到 1,690 美元，降 8.6%。光运费一年就是 96 万美元。采购支出在品类宽、长尾长的地方才有回报：品类多、供应商多、协议外采购占了像样的比例。一家 200 家供应商、九成采购在协议内的公司，几乎找不到东西。一家 1,800 家供应商、8% 在协议外的公司，能挖出很多。

什么时候见效，顺序很重要。支出分析最快，因为它跑的是历史。把它指向去年的采购订单，两到四周就出数，这个数是真的，哪怕你最后什么都不做。分配和配载慢，因为它们碰执行，而碰执行的东西第一天没人信。假设一个月一个计划周期。假设你让智能体影子跑——它出一份分配，你的计划员出一份，两边对着比——跑两个周期再放开闸门，这就是两个月。再加数据整理：重复的供应商主数据、互相打架的计量单位、从来没人维护的承诺等级。这部分假设四到十二周，看你的主数据有多烂。所以一家 10 月 31 日拍板的中型制造商，看到站得住的数字要到 2027 年 1 月到 3 月之间。如果厂商跟你说比这快，问他这三步里跳过了哪一步。

报道没讲的是这个。这三件应用共有一个跟人工智能没关系的属性：它们都是分配问题，而分配问题是零和的。这意味着这些智能体真正的产出不是效率，是你公司的分配规则第一次被写下来、有版本、可审计。今天在我合作过的大多数公司里，稀缺物料是靠一个计划员的判断加上谁最后喊了一嗓子来分的。这套安排不是规则，是休战，它之所以能一直存在，恰恰因为它从来没被写下来。一旦智能体每个周期都要产出一份分配，就必须有人把目标函数定清楚——边际贡献、承诺等级、战略客户、承诺交期——而这份说明现在成了一份别人可以跟你争的文件。

这才是真正的产品。这也是真正的风险，而没有任何一份参数表会提它：在休战里过得不错的那些部门，会开始就这条规则跟你打官司。头两个周期大概会花在这场争论上而不是算术上。给它留预算，并且在打开任何开关之前把目标函数写成白纸黑字。

同样没人定价的是审批闸门，这个纯是排队问题。受管控的运行环境意味着已批准的动作才进执行，而批准意味着某个人在某个环节说了是。这个人就是服务台，智能体就是到达过程。假设智能体一天产出 60 条建议。假设一个审批人一天真能处理 40 条——读完推理、核一下异常、点确认。这就是 1.5 的利用率，这不是慢队列，这是不稳定队列：积压无界增长，任何一条被处理的时间跟着一起涨。

软件里没有任何东西会告诉你这一点，它只是每周都更慢一点，然后大家怪模型。修法是算术。要把利用率压在 0.75，你需要一天 80 条的能力去接 60 条的到达，也就是两个审批人。在 0.75 上，用最粗略的单服务台近似算，排队长度大约 2.3 条，每条平均等 54 分钟。这个能接受。一个审批人时，多少钱都接受不了。更好的杠杆不是加人，是阈值。假设智能体 70% 的动作金额影响低于 500 美元。

把自动放行设在 500 美元，人工队列掉到一天 18 条，一个审批人利用率 0.45，排队不到半条，而贵的那份注意力用在那 30% 上。把阈值设成 100 美元，只有 30% 自动通过，你又回到一天 42 条，还是得配第二个审批人。决定这套部署是快还是官僚的参数不是模型，是自动放行的金额切点，而这个数你应该在第一周自己定，别继承默认值。

还有一层缺口压在前面两条底下，也是我在签字前一定会跟厂商提的一条：智能体动作的时候，到底记下了什么。受管控的运行环境只有能产出一份可回放的记录才配叫这个名字——它读了哪些约束、优化了什么目标、否决了哪些备选、谁批的。把这份记录的格式要成书面材料。没有它，你就是把一个分配决定交给了一个你没法复原的东西，等某个关键客户第一次来问为什么我被少分了，你拿不出任何能撑过那场会的东西。假设这份记录至少保留两个计划周期，头一个月手工抽查 20 个决定，十个是智能体判对的，十个是你的计划员不同意的。这 20 个样本比参数表上任何一个准确率都管用，成本大约是一个分析员三天。

再说配载，因为这里省钱和风险是从同一个洞里出来的。拼载靠把更多货压到更少的车上省钱，而它的做法是让每一辆车更依赖班期。拼载率抬上去，漏班一次的代价也跟着抬上去。用上面同一组数字：6,000 票，每票成本降 160 美元，省 96 万美元。现在假设平均在途从 3.2 天涨到 4.1 天，因为拼载等的时间更长；再假设漏班概率从 2% 涨到 5%，因为更多的货现在搭在一个它什么时候走就什么时候走的东西上。

假设漏一次班的成本是 2,800 美元，加急加客户罚金。5% 乘 6,000 票就是 300 次、84 万美元。运费那一行改善 96 万，全程落下来接近 12 万。如果你优化运费时不把服务约束写进目标函数，你会交出一个藏了 84 万成本、报了 96 万成绩的方案。这跟铁路固定截班那个问题是同一套数学，也是为什么运费省了多少永远不是一个完整的句子。

采购支出有它自己版本的同一个缺口。假设年采购额 2.4 亿美元，1,800 家供应商，8% 在协议外，也就是 1,920 万美元绕开协议的采购。假设协议价跟实付价差 12%，毛机会 230 万美元。假设合同漏损按协议内采购额的 3% 算，662 万美元。毛额大约 892 万美元。兑现率才是没人报的那个数。假设 30%：你真正谈得进损益表的大约 268 万美元，剩下的要么不真实、要么收不回、要么压在你根本拿不出筹码的供应商身上。杨蕾会跟我争这个 30%，她争得对，因为兑现率是谈判筹码的函数，不是分析能力的函数。假设模块订阅加实施一年 45 万美元，净额约 223 万美元。这个回报不错，但它仍然只是发布稿里那个数字的三分之一左右。

什么情况下结论反过来。如果你的供应链数据不在同一套系统里，这些智能体的推理边界就是你迁进去的那部分，一个在残缺世界上推理的智能体会对着一组不是真实情况的约束产出很自信的分配——比计划员还糟，因为计划员知道缺了什么。如果你的主数据是脏的，智能体不会清理它，它会把它工业化：重复的供应商记录让支出分析把长尾重复计数、低估集中采购的机会；计量单位不一致，能算出一份算术正确、物理上装不出来的配载。

如果你根本不受限，分配没东西可分，你买的是一个很贵的确认方式。如果协议外采购占比不到 2%、品类又集中，采购支出报回来的数小到付不起订阅费，你应该在签字前要这份分析，不是签字后。而如果审批闸门一直卡在一个不设阈值政策的人身上，这三件都会让你的计划周期变慢，而模型会背这个锅。

真让我来用它，我会这么排。先开支出分析，因为三件里只有它错了也不会弄坏任何东西——它读历史，你可以手工核对。分配和配载影子跑两个完整计划周期，用服务水平而不只是成本去跟计划员的产出打分，不要跟理论最优比。配置任何东西之前把目标函数写成一份文件，让商务团队签字，因为这场争论横竖都会来，第二周谈比第六周谈便宜。第一周自己定自动放行阈值，人工审批队列按智能体日产量的 1.33 倍配人。有一个指标要盯在其余所有指标之上：最老的那条未审批动作已经躺了多久。如果这个数在涨，你的瓶颈在闸门不在模型，怎么调参都没用。

再讲一个测量的习惯，讲完就收。开工前先把分母定死，因为厂商给的每一个指标都是一个正在找分母的分子。每票运费、完美订单率、按承诺等级的分配满足率、已兑现节省占已识别节省的比例。这四项在打开任何开关之前，用你自己的数据把今天的数写下来，两个周期以后用同一个口径再测一遍。如果厂商不肯说它动的是这四项里的哪几项、大概动多少，你买的就是一个故事。

再押一个预测，你可以拿它来问我。下一批发布还是会照同一条规矩来：有边界、零和、约束集已经在数据里。跨节点的库存调拨。产能预留。运费账单审计——它跟支出分析是最近的亲戚，形状一模一样。不会排在下一批的，是任何不带凭据就下注的东西：没有准确率交代的需求预测，或者没有人在回路里的客户承诺。如果你的厂商路线图上有这两样，问题不是模型好不好，是谁为这个赌注签字。

↑ 返回核心要点

— 作者 拉维