如果说AlphaGo让2016年被称为“人工智能元年”，那么2017年一定是人工智能在各行业应用领域的大爆发。
伴随着巨大的市场机会和逐渐膨胀的AI泡沫，人工智能、大数据、云计算、机器学习等技术性名词就逐渐渗透到了各个行业。在数据化、智能化的同时，对企业供应链管理的影响是显著的。在企业运营过程中，能够通过对过去传统ERP时代积累的大量数据的深度分析，结合其他大数据的变量因素，产生更加智慧化的企业供应链决策，是人工智能时代对企业重要的创新应用。
但技术创新的背后是否能够真正地为企业产生直接价值，是需要符合技术应用为前提的。从笔者过去对企业供应链管理的认识中来看，今天的技术的企业创新应用需要四大价值前提：企业应用场景、原始数据积累、技术分析能力、适用工作流。这四个价值前提是企业应用技术、企业落实技术应用以及企业将技术成功融入流程管理的重要因素。
目前大多数人工智能领域的创业公司都带着自身大量的技术沉淀，结合着目前人工智能的风口，形成了一波技术资本热潮。曾经研究机器学习、优化算法、运筹学、视觉识别等领域的专家博士，甚至在该领域进行科学研究多年的学者教授，都从未像今天一样被企业所认识和重视，也从未如此受到资本市场的追捧。
一家人工智能领域创业公司，或者是与之相关的科技公司如果没有一两个算法方面的“首席科学家”，都难以向市场及资本方验证自身产品的高度“专业”。
但在供应链智慧决策领域，仅仅带着“科学家”和人工智能的供应链管理公司，都无法有效的帮助企业打造真正人工智能时代需求驱动的供应链管理创新。而这样瓶颈的产生，其根源并不在于技术是否足够先进，算法是否足够领先，而是在于帮助企业进行科学决策优化时，是否足够理解你所认识的“企业”，足够理解企业所在的行业。
对于人工智能应用来说，互联网及高科技企业是结合程度最高，应用范围最广的。但除此以外大部分的传统行业，包括制造业、能源产业、鞋服及快消，即是系统化程度最层次不齐，也是痛点最痛的行业，却是新技术应用阻碍最大的行业。
首先是企业系统应用程度差距很大。以零售行业为例，同样是CRM、WMS和ERP系统所产生的数据，不同的企业在整个内部供应链的管理上应用差距很大。从采购、生产、物流运输到库存管理及门店管理，有以7-11代表的高度协同的需求链信息系统的应用，也有管理水平比较低的夫妻店的简单进销存的记录。这种跨度就注定了不同的企业形态需要供应链管理公司从不同的角度切入。
切入的选择就是在选择企业的应用场景，让技术的应用有所为，有所不为。并不是有一个“黑科技”就一定需要企业用得起来，而是在基于对它的理解上，选择最适合且最成熟的应用场景落地。对于已经有各种系统支持的企业而言，需要的系统间的协同和流程上的协同，这两块是缺一不可的。系统上的协同是为了更好的运用智能算法进行深度分析，从而避免企业内部的信息孤岛的产生。
以一家化妆品行业巨头企业为例，企业内部信息系统在有7-8个之多，在一个大框架下还有另开发其他的小功能。那么如果从这个角度应用AI数据分析，如何打通已存的系统间的数据，就是很大的挑战，另外需要在这个基础上，引入其他的数据源做高精度的分析，就成为了做技术应用的人需要深度理解其系统应用及流程应用的重点。
而针对商品管理的领域如选品、定价、促销、供应链、采购、物流等所构成的运营体系的技术应用，需要的是选择最适用于这类企业的模型算法，结合现有业务的数据建模，来满足不同业务场景下的不同商业目标，这才是一个好的人工智能的商业运用，相应地也能够形成一个完整的数据闭环。
因此，企业要建立以需求为导向的供应链智慧化决策体系，需要的是跨领域的专业融合。从笔者自身来讲，同样是多年算法、运筹及供应链管理的研究，但是经过企业实践应用及触及流程变革时产生的困难，会让我们意识到模型算法是我们手上的工具，是否能够对企业有用，需要的是归纳总结出适用于不同行业的业务规律，并能够对不同企业流程上的差异来进行数据模型的建立。
AI的技术十分重要，我们仍然相信，这已经是不可也无法逃避忽视的企业关键要素之一。对未来而言也会是企业产生最核心差异的竞争力之一。
但就目前而言，是要先针对不同业态的发展阶段，让人工智能落地，为不同的企业找到合适的应用场景，调用企业的历史数据进行深度数据分析，从工作流的角度分析应用的方式，最终为企业建立“获取数据—分析数据—建立模型—预测未来—支持决策—形成数据”的数据闭环。才将成为人工智能企业在技术门槛日益降低的发展过程中，铸就自身真正的商业模式壁垒的解决办法。
