2026供应链计划技术发展趋势报告

1本文将是作者继【1-3】之后，关于供应链计划（SCP）变革的一系列文章的第4篇。本文主要包括两个部分：第一部分主要介绍Gartner的2026年供应链计划技术成熟度曲线【4】；第二部分分别介绍流程工业和离散工业行业的Gartner的2026年供应链计划解决方案魔力象限【5，6】。其中还包括一些补充材料和本文作者的解读和分析。Gartner于2026年7月7日发布了它一年一度的《2026年供应链计划技术成熟度曲线》研究报告【4】。供应链计划技术领导者可以利用此技术成熟度曲线在基础能力和创新能力之间取得平衡，从而完善和革新其计划。从而构建SCP中关键技术和框架的发展和潜力的路线图。当今世界，供应链正面临着多重挑战。其中供应链中断是最为重要的挑战之一。据纽约联邦储备银行，全球供应链压力指数（GSCPI）的研究【7】，自新冠肺炎疫情爆发以来，供应链中断已成为全球经济面临的一项重大挑战。从图1可见，由于俄乌，中东地缘政治冲突，2026年的供应链压力指数呈上升趋势。图1：全球供应链压力指数（GSCPI）曲线（来源：纽约联邦储备银行【7】）全球供应链中断研究报告【8】给出了全面分析，其重要发现包括以下两点：l全球贸易和供应链的重塑：当前地缘政治中断正在加大全球贸易、能源和物流网络的压力，暴露出海运航线、能源基础设施及高度互联供应链的集中依赖。除大宗商品价格外，改道运输、货运能力下降、燃料成本和投入品价格波动正在对各行业运营构成挑战，同时制裁分歧、合同中断和基础设施约束正在增加跨国组织的法律和治理复杂性。2l集中贸易走廊正在降低运营灵活性：影响霍尔木兹海峡、红海和曼德海峡的中断事件凸显了全球贸易在多大程度上仍依赖于少数具有战略意义的关键海上航线。绕行好望角增加了货运成本，延长了交付时间，并降低了全球航运网络的运营灵活性。根据Gartner的一项调查显示，十分之九的首席供应链官（CSCO）认为他们的供应链处于长期波动、不确定性、复杂性和模糊性（VUCA）环境中。这意味着更多的中断和相关的不确定性。从本节上面来自【5，6】的分析，由于地缘政治冲突，全球供应链正面临中断，航道变更，成本上升等不确定性因素的挑战。供应链计划（SCP）在改善不确定性管理方面发挥着重要作用。这意味着利用SCP技术改变供应链的状态，从脆弱到有弹性再到反脆弱。特别是采用最新发展的智能体Al及自主化技术来降低供应链中断的影响。Gαrtner这份最新的研究报告做了如下的预测：到2031年，随着AI推动供应链日益自主化，60%的供应链中断将在无需人工干预的情况下得到解决。Gαrtner的研究报告【4】指出，供应链计划（SCP）负责人必须做出能够支撑职能战略、满足当前需求并利用快速演进的创新技术的能力投资决策。持续的VUCA（易变性、不确定性、复杂性、模糊性）环境不断催生被动的问题管理——二分之一的供应链（SC）负责人表示他们在中断期间被迫“救火”，最终做出了次优决策。组织可以用集成化、数据驱动、端到端的工作流，取代混乱、临时的决策流程，利用先进技术支撑稳健的分析、指导策略定义，并推动一致、无偏且准确的决策，从而带来有利成果。本技术成熟度曲线聚焦于那些能够同步和整合分散数据源、扩展可视性、丰富分析、在横向与纵向上对齐数据驱动决策，并利用AI实现计划与执行自动化的技术与框架。随着组织追求更高的计划成熟度，超过半数的SCP负责人正对SCP自动化进行大量投资，其中84%预计下一财年投资将增长、预算将增加。整合更多内部数据源是支撑SCP自动化的首要技术战略，而建立权责清晰的稳健数据治理策略则是首要数据战略。SCP负责人必须制定技术路线图，纳入相关的成熟与新兴能力，以维持运营卓越、强化差异化竞争优势并加速增长。本技术成熟度曲线通过描述各项能力的成熟度、评估其业务影响、识别潜在障碍并提供成功采用的指导，来凸显这些能力。【4】指出，SCP正处于一个转折点，因为不断升级的复杂性需要AI及其他新兴技术的速度与解析能力。传统SC解决方案与AI原生平台竞相提供这些能力。SCP负责人必须优先开展基础性工作，包括现代化改造遗留系统、培养内部AI专长，以及标准化流程与策略，以规避风险并支撑自动化举措。当前需要一个双模（bimodal）方法：在投资将AI能力嵌入当前系统的同时，为未来AI原生的计划能力奠定基础（参见《以双模路线图推动供应链AI转型》）。成功的负责人将把计划从被动转向主动，实现韧性与反脆弱，在中断中取得卓越成果，并获取竞争对手错失的价值。3【4】还给出了来自本SCP技术成熟度曲线的洞察：l传统与先进的AI技术正在为能力投资带来转型收益奠定基础，它们通过提升生产率、解析准确性、决策速度以及建模运营不确定性的能力来实现这一点。面向SCP的智能体AI与自主计划已沿技术成熟度曲线取得中等进展——传统SCP供应商正超越小规模beta测试，推出预置的智能体，其中一些还配有支持创建自定义及模板化智能体的开发平台。尽管完全自主的计划仍然有限，但在大型企业与成熟度较高的组织中，半自主用例在预测职能中正变得愈发常见。生成式AI目前已广泛可用，覆盖各大语言模型（LLM）平台，正被纳入SCP解决方案与AI开发平台，使高级分析、洞察生成与编码能力得以普及。l数据是一种战略资产，当组织能够有效地捕获、交换、情境化和分析数据时，它能够创造可衡量的价值和竞争差异。数据织物是发展最快的创新之一，因为越来越多的供应商提供数据管理能力，同时组织也在投资治理项目以降低转型风险。l数据、技术和决策框架的交汇将决策转变为战略资产，并定义了供应链（SC）规划的卓越。针对SCP的决策智能和以决策为中心的规划，已经发展到“期望膨胀高峰”，重点是改进决策流程以增强纵向和横向的协调以及规划编排。SCP的数字化采用管理正在快速发展，已经超越了高峰，这反映了供应商和组织对变革管理、培训和采纳指标越来越重视。随着人工智能、数字供应链孪生技术和仿真技术帮助缩小事件发现与解决之间的差距，应对型规划也在迅速成熟。l一些创新的快速进展与其他创新的停滞，反映了规划成熟度、供应链技能与基于人工智能的供应商产品零散格局之间的不匹配。在这个炒作周期中，发展最快的创新——配置规划，受益于日益成熟的优化和建模技术。相比之下，深度学习、概率性供应链规划和合成数据仍相对停滞，因为供应商和组织在大规模采用前，需要积累专业知识并解决数据安全和伦理问题。同时【4】还建议通过指导性视角审视本技术成熟度曲线（见图2），以支撑路线图制定与投资决策：l探索（Explore）：调研正向上攀升、迈向顶峰的新兴创新，监测其演进，并评估早期采用风险。通过研究、市场分析与实验，评估其变革计划流程的潜力。l参与（Engage）：与那些从顶峰下行、能提供显著且具有差异化业务价值的创新进行互动。通过案例研究试点、概念验证与小规模部署，验证契合度、价值与可行性。在人员、流程、决策治理与数据治理方面建立组织就绪度，以支撑采用。l利用（Exploit）：扩展那些经过验证、成熟、正穿越“幻灭低谷期”的创新，以最大化投资回报。将这些能力整合进核心运营，建立支撑端到端可视性以及跨所有计划周期的跨职能计划所需的稳定基础。4图2：Gartner的2026年供应链计划技术成熟度曲线（来源：Gartner【4】）图2所展示的最新供应链计划技术成熟度曲线深入探讨了供应链计划技术生命周期的五个关键阶段【9】：l创新触发/萌芽（InnovationTrigger）：潜在的技术突破拉开创新序幕。早期的概念验证故事和媒体兴趣引发了大规模宣传。通常没有可用的产品，商业可行性也未经证l期望膨胀的顶峰（PeakofInflatedExpectations）：早期的宣传带来了许多成功案例——往往伴随着大量失败。一些公司采取了行动，但许多公司没有。l幻灭低谷（TroughofDisillusionment）：由于实验和实施未能实现预期，人们的兴趣逐渐消退。技术生产商被淘汰或失败。只有幸存的供应商改进其产品以满足早期采用者的满意度，投资才会继续。l启蒙坡（SlopeofEnlightenment）：越来越多的企业开始认识到该技术如何使企业受益，并得到更广泛的理解。技术提供商推出了第二代和第三代产品。更多企业资助试点项目；保守的公司仍持谨慎态度。l生产力高原（PlateauofProductivity）：主流采用开始起飞。评估提供商生存能力的标准更加明确。该技术的广泛市场适用性和相关性显然正在产生回报。Gartner的“SCP技术成熟度曲线”概述了供应链计划领域中技术的相对成熟度。它不仅提供了区分炒作与现实的记分卡，还提供了帮助企业决定何时采用新技术的模型。【9】指出，为了确定采用创新的最佳时机，组织必须平衡三个变量：l创新在炒作周期中的地位l创新对组织的潜在价值l组织的风险承受能力这些讨论的见解将有助于组织优先考虑其创新采用战略。5根据【4】，优先级矩阵（见图3）是一个基石，它帮助SCP领导者做出战术性、高影响力的能力投资决策。通过清晰的视觉化，它通过优先考虑高价值和成熟的能力，使投资与战略保持一致。随着AI重塑SCP，领导者必须区分短暂的炒作与有意义的创新。l短期、高影响力的创新包括：■配置计划：建立参数、规则和模型，以实现准确、高效和可扩展的决策制定。■SCP决策智能：通过将决策数字化和建模为可重用资产，持续提高决策质量。■响应计划：基于执行事件实现短期计划或重新计划总的来说，这些能力推动了更快、更高质量、端到端对齐的决策，覆盖所有计划视野，提高了敏捷性、韧性、资本和库存优化以及盈利能力。l在接下来的两到五年里，预计以人工智能为驱动的进步将带来高度变革性的影响：■面向SCP的生成式人工智能：总结洞察并解释复杂模型，帮助用户更好地理解。■自主规划：利用智能人工智能和自动化提高从决策到执行的速度，无论是否有人参与。■面向SCP的机器学习：识别大型数据集中的模式，以预测未来事件。■神经符号AI：利用模式识别生成更可追踪、稳健且可靠的推理。l在接下来的五到十年里，预计变革性的创新将加速端到端供应链的决策：■面向SCP的智能体AI：自动化感知、分析、决策和执行，以实现业务目标。■数字供应链孪生：创建物理供应链的统一实时虚拟表示，监控价值流动。这些高收益的创新将实现灵活整合和先进的不确定性建模，同时结合人类的专业知识和技术能力，推动持续的竞争优势注：下面的表是上面优先级矩阵表的中文形式。6收益评级主流化所需年数2—5年5—10年变革性划图3:2026SCP技术的优先级矩阵（来源：Gartner【4】）【9】指出，优先级矩阵是一个有用的框架，用于：l对创新对组织的潜在利益做出明确判断。l从相对收益和风险的角度比较创新。这种比较可以帮助减轻有影响力的个人推动可能不符合组织最佳财务利益的创新的情况。Gartner会不断审查技术成熟度曲线中选定的创新，以最好地反映出对未来SCP解决方案影响最大的创新。因此，对2026技术成熟度曲线进行了以下更新：被更新的供应链计划技术更新类别变更原因人工智能因为这一包罗万象的技术类别，通过聚焦的智能体AI（用于SCP）、自主规划、深度学习、生成式AI（用于SCP）、机器学习（用于SCP）和神经符号AI等创新方案，能得到更有效的体现。数据湖：因为这种数据管理方法在实践中已被广泛接受，并拥有成熟的技术支持。决策智能被取代已替换为“用于SCP的决策智能”，以强调SCP中的决策规则。可解释AI因为用于SCP的生成式AI本身就具备此功用于SCP的图分析因为该分析技术已包含在AI技术中，例如面向SCP的机器学习。库存卓越因为多级库存优化及其他创新已涵盖此SCP绩效框架。7基于区间的规划因为该方法属于概率规划的组成部分。SCP外包因为该概念在SCP数字化转型中已被广泛接受并实践。在矩阵图3中，一共列举了25项供应链计划的创新技术。Gartner有名的分析师JoeGraham,TimPayne等对所有列举在矩阵图3中的技术做了标准分析，该分析包括技术的定义和分析，以及其市场热度和成熟度。下面将以表格的形式介绍其5项供应链计划技术的定义和分析。对于每个介绍的技术表后面，本文给出了解读和本文作者的分析见解。供应链计划技术数据编织分析作者MasudMiraz,RobertThanaraj,EhtishamZaidi效益评级转型市场渗透率目标受众的5%到20%成熟度青少年定义数据编织是一种以元数据为驱动的数据管理设计，它通过使用主动元数据、知识图谱和机器学习，自动化并组合灵活、可复用的数据管道、服务和语义，从而在混合、多云和边缘环境中连接、虚拟化并交付整合的数据。通过这种方式，数据编织可以从被动的可观察性和报告，转变为数据生态系统中的主动参与者，实现数据管理设计和交付的大量自动化。为什么这很重要l数据编织为用户在现有的多云、混合和边缘基础设施上提供灵活、可扩展和集成的数据使用能力。l通过用连续和丰富的元数据为先进的人工智能模型打基础，数据编织可以促进更准确的机器学习预测和决策支持系统。l该架构会报告并提出关于如何更好地准备数据以供业务探索的建议。l数据编织是在你现有技术投资的基础上构建的，帮助你将新的数据管理投入引导到能够产生最大影响的领域。业务影响l数据编织就像分布式数据存储上的智能编排引擎，为最优的数据访问、集成和交付提供指导。它通过自动化可重复的数据集成任务，并为数据架构和基础设施优化提供建议，为数据工程师提供见解。l它使用知识图谱来丰富现有的元数据，并增加语义知识，以提供更多的上下文和意义。l同时，它还可以减少管理数据相关的维护和支持成本。驱动因素l对新数据资产快速理解的需求急剧上升，并且无论部署的结构和格式如何，这种需求仍在加速。l组织已经发现，仅依靠一种或两种数据获取和数据整合的方法是不够的。数据编织会不断从现有的交付方式中学习，并提供通过多种组合数据交付方式（包括批量/批处理ETL、数据虚拟化、消息队列、API使用、微服务等）交付集成数据的能力。l在业务领域或整个组织中，对数据跟踪、审计、监控和报告的需求也在增加（尤其是考虑到生成式AI的兴起），这有助于为AI代理构建背景。l单靠数据目录不足以帮助实现数据自助服务。数据编织利用机器学习（ML）来为集成8设计和交付提供建议，从而减少所需的人工工作量。l在数据编织中，可以支持对关联数据的知识图谱以及ML算法的需求和使用量的显著增长。这有助于图数据建模，从而支持搜索和发现。l为了满足对成品、可商业化数据编织的需求增加，而不是从零开始构建，供应商正在推出融合的数据管理平台，这些平台提供广泛的数据管理功能，并以平台的形式交付。实现障碍l供应商使用不同的设计和语义元数据访问与共享标准（即封闭元数据这会影响元数据分析和共享的成功，而元数据分析和共享对于提供和维护数据编织至关重要。数据编织完全依赖于日益增加的元数据访问，以避免停滞和失效。l元数据管理实践落后于数据编织的采用，但对其实施至关重要。l数据编织需要分析和机器学习能力来推断缺失的元数据。起初这可能容易出错，因为人员和资源通常被分配到高级分析、数据科学和人工智能等竞争性需求上。你可能需要专门的人员来构建和管理数据编织，这可能需要提升技能，以及进行文化和组织方面的调整。l很多组织在采用一次性或点对点的集成方案时，会投入预算或人员，却没有把数据管理解决方案作为更广泛的设计来考虑用户建议l建立一个元数据管理实践，让工具在整个数据管理生命周期中共享元数据。使用工具整合分散的元数据（跨数据存储甚至多个数据目录），并与其他工具双向共享元数据。l投资一个增强型数据目录，使其可以在业务数据分类之上支持多种本体。l组织应以连接两个或更多丰富的元数据资产为目标，以丰富元数据图，而不是专注于现有的、低附加值的元数据丰富流程的重复使用。l确保业务流程专家可以用业务语义丰富知识图谱。l确保业务流程专家能够用业务语义丰富知识图谱。l使用数据集成平台，这些平台能够从数据编织中获取基于元数据的主动洞察，通过结合所有主要的数据集成模式（即可以在批处理、流处理、虚拟化和复制数据集成风格之间动态切换）来构建数据管道。l利用来自数据编织的洞察和自动化来支持编排，并通过DataOps提高运营效率。这最终也将支持数据代理的部署。l让数据编织成为你的数据产品创建、交付、维护和共享的基础。样品供应商Denodo;Graphwise;IBM;Microsoft;Stardog;Stratio2.1.1数据架构的演变“数据编织（DataFabric）”作为一项新兴的数据架构技术早已被Gartner列为2022年年度战略性技术趋势研究报告中12项顶级技术之首，并被归于该报告的三大技术主题之首的“工程信任（EngineeringTrust）”的技术主题【10，11】。9图4：Gartner2022年十二大战略性技术趋势（来源：Gartner【11】）当时为何该技术能受到如此重视，有如下几点原因：l在数据发现、分析和实施任务中，可节省高达70%的开发人员工作量。此外，它还以循序渐进、优先排序的方式，逐步集成其他数据管理工具，以避免“推倒重来”的做法。一旦数据团队体验到数据编织能够意识到自身的不足，信任就会建立起来。l它支持任意数量的数据用户，从数据资产的重用（用于运营和分析用例到从内部系统、公共领域和业务合作伙伴快速摄取数据。l通过加速引入和利用第二方和第三方数据，该方案能够帮助员工从更多数据中获得更多效益。相比之下，传统方法需要大量的人工集成，数据才能发挥任何价值。特别是近年来，随着人工智能应用的兴起，如生成式人工智能，智能体，企业和个人生成了海量数据，以致旧有的数据架构，如数据仓库已无法应对如此海量数据的存储及管理。与此同时，决策智能的采用也要求一个更强大的数据平台，以保证决策的正确性并合规。于是数据编织技术受到各方重视并获得发展。下面的表展示了数据编织与存在的数据架构数据湖及数据仓库的优势比较【12】。数据编织数据湖数据仓库数据架构统一平台，可实现跨IT基础设施的无缝数据集成，打破数据孤岛。用于存储来自各种来源的原始、非结构化数据的存储库，采用“先存储后处理”的方法，允许以结构化存储库旨在存储已转换和结构化的数据，这些数据已准备好进行分析和报告，并原始格式存储数据，直到需要进行分析或报告时才进行处理。从交易系统和定量指标中提取出来。数据访问实时访问全面的数据视可灵活访问原始数据，但需要进一步转换。结构化数据，可用于分析和报告。数据转换具备内置机器学习和分析功能，可实现快速数据处理。由于原始数据存储，需要进行即时重新配置。要获得结构化的洞察，转型势在必行。数据治理确保适当的数据访问和管理限制。需要严格重视数据治理和元数据管理。遵循结构化数据模型，便于高效报告，以确保访问控制和监管合规性。灵活性能够灵活满足不断变化的业务需求，并具备可扩展性。提供存储和访问原始数由于结构僵化和方案修改流程的限制，灵活性有限。复杂性需要专业技能和大量的IT预算投入。由于重视数据治理和元数据，管理变得复杂。模式修改过程可能既费力又缓慢，因为它们需要仔细规划和管理数据建模和ETL过程。适应性非常适合寻求统一、实时数据视图和洞察的组织。适合注重灵活性和成本效益的企业。最适合用于运营和分析用例的结构化洞察。2.1.2SCP中的数据编织由于供应链计划的制定涉及供应链各方的复杂数据，特别是SCP正步入人工智能的自主和合规时代，数据编织被首次引进Gαrtner2025年发布的SCP技术的成熟度曲线，并处于滑向低谷前的一项技术（见图5），到今年该技术已抵达低谷，并估计两到五年成为SCP的主流数据架构技术（见图2）图5：Gartner的2025年供应链计划技术成熟度曲线（来源：Gartner【13】）2.1.3数据编织技术的战略优势和关键挑战和实施原则为帮助读者更深入了解数据编织技术，下面进一步介绍Gartner关于数据编织技术的战略优势和关键挑战和实施原则的研究报告【14-16】。【14】指出，Gartner将数据编织述为面向未来的数据管理架构，旨在支持当前及未来的数据、分析和人工智能应用场景。其核心在于持续收集来自整个数据生态系统的元数据，对其进行分析，并提供可操作的建议和警报，从而改进数据集成、上下文关联、可用性和业务决策。GARTNER对数据编织技术观点强调了以下几个战略要素：l自动化优先设计：机器学习功能驱动数据发现、分析和集成任务，无需人工干预l元数据作为基础：活跃的元数据使系统能够理解关系、建议连接并自我修复数据管道。l效率倍增效应：根据Gartner的研究，精心实施的数据架构可以将数据管理任务所花费的时间减少高达50%。l整体架构：数据编织技术并非单一产品，而是一种可组合的设计模式，它将现有基础设施与增强功能相结合。l战略定位：Gartner认为数据编织技术对于跨混合云和多云环境管理分布式数据的组织至关重要。Gαrtner的数据编织研究报告给出了它的概念，架构和实施的战略原则。包括以下三个方面的内容。（1）数据编织的概念l数据编织承诺：数据编织逐渐成为一种越来越受欢迎的设计选择，它能简化组织的数据集成基础设施，并创建可扩展的架构，从而减少大多数数据与分析（D&A）团队因集成挑战增长而产生的技术债务。其目标不仅是降低成本或打造优雅的设计，更是逐步引入数据利用、背景分析和对齐应用场景。l数据编织是一种数据管理设计概念，旨在实现灵活、可重用和增强的数据管道与服务，以支持各种运营和分析场景。数据编织支持多种数据集成风格的组合，并利用活跃的元数据、知识图谱、语义和机器学习来增强数据集成的设计与交付（见图6）。图6：数据编织的概念图（来源：Gartner【14】）早期（2022—2023年）的数据编织技术还不够成熟。【15】指出，新近的Gartner将数据编织定义其为一种现代架构方法，它简化了复杂分布式环境中的数据访问。根据Gartner的说法，数据编织并非单一工具或技术，而是一种“新型且不断发展的数据管理设计”，旨在实现灵活、可重用且增强的数据集成管道。它利用知识图谱、语义和基于主动元数据的自动化，以加快数据访问和共享速度。该概念旨在解决企业面临的一个根本性挑战：如何在不创建额外数据孤岛的情况下，从异构来源收集、连接、集成和交付数据。（2）数据编织的架构特征及优势【16】数据编织是一种新兴的数据管理和数据集成设计理念。其目标是通过灵活、可重用、增强且有时自动化的数据集成，支持企业范围内的数据访问。数据编织的出现，旨在解决如何从分散的数据源收集、连接、集成数据并将其交付给所需用户的这一共同挑战。在当今数据和应用孤岛日益增多，以及数据和分析人才匮乏的背景下，数据编织有望简化组织的数据集成基础设施，并创建一个可扩展的解决方案，从而减少技术债务（另见《数据管理现代化：提升价值，降低成本》）。数据编织核心功能最简单的数据编织从参与的系统和用户那里接收元数据，对其进行分析，并生成警报和建议，重点说明如何更好地组织、集成数据，赋予数据意义，以及如何利用数据来改善用户体验和业务成果。数据编织的优势数据编织之所以吸引众多组织，是因为它能够充分利用现有的元数据和基础设施，例如逻辑数据仓库。数据编织的设计并非“推倒重来”。相反，组织可以利用数据编织来增强（或完全自动化）数据集成的设计和交付，同时还能充分利用现有数据湖和数据仓库中的沉没成本。图7：数据编织是连接数据的集成层（来源：Gartner【16】）尽管数据编织技术尚不成熟，目前也没有单一供应商能够提供所有数据编织组件，但其潜在优势适用于组织的各个部门，例如：l业务单元——使非技术业务用户能够快速查找、集成、分析和共享数据l数据管理团队——通过自动化数据访问和集成，以及提高数据工程师的敏捷性，提升生产力，从而加快数据请求的交付速度。l整体组织架构——通过对有效数据设计、交付和利用的洞察，加快从数据和分析投资中获得洞察的速度，提高组织数据的利用率，并降低成本。（3）实施数据编织的原则l要有效实施数据编织，首先要从元数据入手。数据编织依赖于元数据，元数据是“上下文数据”，它记录了组织中数据的上下文信息，包括数据的内容、时间、地点、对象和方式。元数据是数据在企业系统中流动过程中产生的副产品。元数据分为四种类型：技术元数据、运营元数据、业务元数据和社会元数据。每种类型又可分为“被动”元数据（组织收集但不主动分析的元数据）和“主动”元数据（用于识别两个或多个使用相同数据的系统中的操作）。根据定义，数据编织会将被动元数据转换为主动元数据。l如何构建可组合的数据编织第一步是增强数据目录。数据编织具有可组合性，这意味着它们由组织可以组合的多个技术组件构成。其中一个组件是增强型数据目录。它利用人工智能/机器学习技术连接到不同的数据源，并查找、标记和注释这些数据。最终生成的数据目录整理了一份分布式数据资产及其相关被动元数据的清单。它还有助于利益相关者在数据治理方面进行协作，并促进就来自不同来源的数据的任何共享语义进行沟通。下一步是通过对收集到的元数据进行图分析来激活它们，并利用分析结果训练人工智能/机器学习模型，从而实现数据集成和数据管理任务的自动化。在此基础上，数据和分析团队可以构建知识图谱，展现组织内各种数据资产及其用户之间的关联。最后，组织可以利用语义信息（即数据中的业务含义和关系）来丰富其知识图谱。在知识图谱之上添加语义信息，可以实现更高效的分析，并构建更完善的AI/ML模型。图8：数据编织的技术支柱（来源：Gartner【16】）完成这些步骤后，数据编织的机器学习引擎即可开始为某些数据集成任务和数据管理活动提供信息并实现自动化。根据数据编织的复杂程度，自动化程度将按以下方式逐步提高：参与——例如，让技能较低的集成人员能够查找和集成数据源，或者让主题专家使用语义搜索来更好地理解数据。洞察——例如，启用自动标记和注释、动态模式识别、异常检测和报告、突出显示GDPR的敏感属性等。自动化——例如，实现模式漂移的自动纠正、自动集成“次优”数据源、推荐最佳转换以及促进自助式集成到生产环境。供应链计划技术面向SCP的智能体AI分析人JanSnoeckx,PiaOrupLund,JoeGraham效益评级转型市场渗透率不到目标受众的1%成熟度新兴定义用于供应链规划的智能自主AI是指能够自主或半自主地感知、决策和行动以实现规划目标的智能体。这些智能体可以自动处理日常和复杂任务，适应市场和整个供应链的变化情况，排列目标顺序，协商权衡，并从结果中学习，以实现快速高效的规划。为什么这很重要自主型人工智能通过支持和自动化供应链规划决策，改变了供应链规划方式。它使系统能够在面对干扰时自主适应和行动，利用人工智能实现更高的效率和降低成本的业务期望。规划人员可以专注于战略性任务，而领导者则重新定义规划角色，让团队从手动执行转向以价值为导向的主动协作，从而增强韧性和竞争优势。业务影响自主型人工智能通过自动化日常和复杂的计划任务来带来可量化的影响，提高管理关键资源时的决策准确性、速度和质量。它能够实时应对突发情况，并推动持续改进。组织因此获得更高的灵活性、持续的成本降低，以及在整个供应链中扩展和优化计划的能力，以满足不断变化的业务需求。驱动因素l生成式人工智能和智能代理AI的热潮正在推动企业对供应链规划中高效且灵活的决策流程的需求。l越来越复杂且多变的供应链要求我们超越传统的确定性规划模型，支持根据具体情境做出动态响应，以应对中断并满足新兴客户的需求。l从ERP、TMS、WMS和MES等事务系统，以及物联网设备、多企业数据或外部市场数据等外部来源获取的实时数据的广泛可用性，使得智能代理能够持续调整洞察和计划。多l智能体系统（MAS）的出现，使得多个专业AI代理能够处理不同的规划功能，并通过协作与协调行动，实现整体供应链规划目标。l人工智能算法的进步，比如深度学习和强化学习、可解释的人工智能（XAI）以及大型语言模型（LLMs让智能代理AI在供应链规划（SCP）中的可行性和普及性大大提高了成本压力和对运营效率的需求推动了自动化的需求，把规划人员从手动计划创建转向战略评估和优化，从而提升对突发事件的应对能力。l基于云的基础设施和开放、可扩展的平台，使智能代理AI能够在不同的供应链环境中快速部署和整合，打破了传统系统的壁垒。l随着供应链规划技术提供商希望通过内置即用型代理和让终端用户能够创建低代码/无代码代理来区分产品，竞争也越来越激烈。实现障碍l治理，包括法规、政策、可追溯性以及AI可解释性，仍然是一项新兴能力，这会影响大规模自主AI部署能达到的自主水平。l现有复杂的供应链技术架构以及各式各样的业务流程带来的挑战，需要对AI解决方案进行大量定制。l自建方案需要高额的初始投资，这意味着需要大量的研发、系统升级、数据一致性保证和培训，而购买方案则降低了技术门槛，但通常采用临时的、按使用量计费的方式，这会导致更高的持续成本和灵活性有限。l代理带来了新的问题，比如监管不确定性、数据安全、数据质量、决策质量、隐私和伦理问题，这可能会进一步延缓广泛采用和成熟。l不让人参与其中会导致缺乏信任，从而让人们对从传统供应链规划方法转向自主的AI驱动方法产生抵触情绪。用户建议l首先，把AI代理整合到你现有的供应链规划模型中，以提高信息收集能力、执行日常任务并辅助情景规划，在专注于通过智能AI实现运营自主之前，先积累经验和信心。l确定可接受的投资回报率阈值，并重点关注那些依赖复杂分析的规划决策，比如补货或库存规划，这些地方目前规划人员需要花费大量时间。在这些领域，AI代理可以快速分析复杂的实时数据，从而做出更快、更准确的决策，进而建立信心并加速试点项目的推进。l评估你目前的SCP系统，并优先考虑那些具有清晰产品路线图、能够支撑你自动化目标的解决方案。l先从单个AI代理开始，积累经验，然后再实施多代理系统。l投资于培训和发展，培养内部在AI技术和自主系统方面的专业能力。样品供应商2.2.1智能体Al是实现自主供应链的关键技术错综复杂的供应链管理领域即将迎来重大的技术变革，而智能体Al（AgenticAI）有望成为核心驱动力。继Gαrtner首次将智能体Al列为2025年8大顶级供应链战略性技术趋势（见图9）之后，该技术被列入2026年8大顶级供应链战略性技术趋势【1】。稍后该技术被作为一项新兴技术列入Gartner2026年SCP技术的成熟度曲线（见图2）。其达到主流的时间是5～10年。图9:2025Gartner八大供应链技术趋势（来源：Gartner【17】）本文作者在【17】中对新兴技术智能体Al做了较为详细的解读。此外，感兴趣的读者可参阅笔者在这方面一系列的研究文章和报告【17-27】。2.2.2智能体AI在SCP中的应用发展趋势分析Gartner于今年6月发布了《2026年供应链计划技术的顶级趋势》的研究报告【28】，报告中列举了十大顶级SCP技术，其中智能体Al列在第二位，并指出它对SCP将是一项有意义的高回报技术，下面的内容取自该报告对其所做的在SCP中的应用发展趋势分析。l在供应链规划中，智能体Al/能动型人工智能涉及自主或半自主的软件实体，这些实体能够感知环境、学习、做出复杂决策，并采取独立行动以实现特定目标。与依赖预定义工作流程或简单模式识别的传统人工智能技术不同，能动型人工智能会根据实时情况动态调整策略。尽管目前有很多炒作，真正端到端的自主供应链规划仍然是一个理想目标。当前，这项技术主要限于协调预定义的子代理来执行结构化流程，而不是能够在完全新的情况中自主适应，其中生成式人工智能输出的多变性带来了更高的风险。大多数组织仍处于采纳的早期阶段，部署的是受监督的、任务级别的代理，它们是用来辅助人类规划者，而不是完全自主运作。l目前，智能体AI的活跃使用案例主要集中在机会性自动化上，这通常涉及定义明确、量大且出错风险低的计划操作。各组织正在利用单功能AI代理来自动化日常认知维护任务，例如维护主数据和执行标准订单。对于稳定的库存单位，无接触预测和自动调整补货参数是主要的活跃使用案例。在这些场景中，智能体就像数字同事，能够快速分析复杂的实时数据，以优化最适合的预测算法和安全库存水平，从而让人工计划人员可以专注于更具战略性的规划活动。l展望未来，供应链规划软件市场预计从2026年底开始将大幅转向智能体功能，从而在供应链工作流程中更广泛地部署简单的智能体。Gartner预测，到2030年，60%的使用供应链管理软件的企业将采用具备智能体的解决方案，而使用具备高级自主功能的供应链管理软件的组织比例也将增加。智能体将在未来增长16%（参见《供应链管理软件中的智能体AI预测分析，2026》）。预计在接下来的一年中，新的应用场景包括自主动态需求预测，它会根据市场变化和消费者情绪不断调整，以及自主工厂排程，在中断期间可以即时重新分配劳动力或改变生产线速度。不过，供应链负责人需要注意，不要期望太快达到很高的效果。那些需要高级多代理协调的高度复杂应用，比如跨企业谈判和动态成本权衡，在2027年之前还不太可能成为智能体AI的可行候选对象。此外，智能体AI并不会取代传统的供应链规划系统和算法。它更像是一个协调层，使高级算法更容易交互、更加可信和便于验证。2.2.3智能体Al在SCP中的应用实际应用案例包括自主生成应对需求和供应冲击的情景。当关键信号发生变化时，智能体可以生成基准方案和多个备选方案，然后根据成本、服务影响和风险对其进行排序。另一个应用案例是库存参数管理。智能体可以监控预测误差和交货期波动，并建议调整安全库存、再订购点或服务目标，同时提供清晰的影响评估。分配也是一个非常适合的应用场景。当供应受限时，智能体可以根据优先级规则、盈利能力、合同承诺和替代选项提出分配方案，并记录其理由。规划人员还应该使用智能体人工智能来解决异常情况。智能体不仅可以标记存在风险的物料，还可以推荐具体的缓解方案：例如，从其他供应商处加快供货、重新平衡配送中心之间的库存、调整订单时间或修改促销预测。最后，智能体可以通过保持模型更新来提高规划节奏。当有新数据到来时，他们可以重新运行预测，检测结构性变化，并且仅在置信度下降时才提示进行审查。人的因素至关重要。团队需要接受培训，学习如何监督代理、如何解读解释以及如何完善策略。成功往往来自将领域专家与数据和系统团队相结合，将规划意图转化为指导原则和决策逻辑。本节介绍两个在SCP中应用智能体Al的案例：案例1:Adαxα分布式智能体在SCP中的应用Adexa是一个SCP解决方案的供应商，它也是较早使用智能体于SCP的一家创新企业。它创建了AdexaGenies,它是一个可组合的分布式智能体系统。不同的智能体组合可完成不同的SCP功能，流程和决策。Adexa拥有SCP可组合架构可以更轻松地扩展功能和特性。这种架构使更广泛的开发人员和用户社区能够根据自己的需求定制解决方案并获得竞争优势。在Adexa，有几种方法可以实现这一点：使用API、部署通用脚本语言通过使用智能分布式代理AdexaGenies©。使用这种技术，可以为SCP的解决方案添加哪些业务功能几乎没有限制，更重要的是，随着系统的使用，我们能够不断改进。Adexa部署智能分布式代理AdexaGenies©,可以感知事件，了解影响，采取行动并从经验中学习。他们通过以下方式适应环境：自我修正物理供应链的表示，形成真正的数字孪生，自我完善的政策和业务计划，自我优化规范算法的性能。AdexaGenies©不断寻找导致季节变化、产品组合变化和市场需求波动等问题的原因，例如延迟和成本增加。他们建议采取行动，例如最佳安全库存水平、最佳设备利用率，以及如何避免过度使用替代零件、不必要的紧急订单和其他运营效率低下的情况，例如不合理地使用空运。自我纠正措施的一个例子是自动调整可能随时间或季节变化的设备容量或供应商交货时间。再举一个例子，自我改进的Genie监控不同位置的安全库存水平，并学习最高服务水平的最佳政策。自我优化算法学习如何在寻找解决方案时避免死胡同。从而最大限度地缩短响应时间；因此能够连续实时重新计划。图10：Adαxα分布式智能体（来源：【29】）案例2:firstshift.ai供应链画布智能体在SCP中的应用Firstshift.ai是一家Al公司，其博文首先阐述了智能体Al在SCP将有广泛的应用，并给企业带来价值，然后指出这项技术仍处于早期阶段。该文最后介绍了它们的应用创新——供应链画布智能体Al系统。图11：供应链画布智能体Al系统（来源：Firstshift.ai【30】）供应链画布是Firstshift平台内一项全新的智能体AI解决方案，它为规划人员提供了一个统一的界面，用于生成洞察、运行场景并采取行动。规划人员无需再浏览仪表盘和构建电子表格模型，只需用简洁的语言描述需求，即可在几秒钟内获得完整的、数据驱动的响应。他们还可以构建智能体来自动化执行重复性任务和工作流程。该过程分为三个步骤：l提问：规划人员输入问题、场景或假设。例如：“如果第三季度需求下降15%，我们的利润率会受到什么影响？”或者“哪里有最近的可用库存可以弥补德州仓库的缺货？”l计算：Canvas查询组织的Firstshift数据，吸收相关的外部信号，如关税、天气、商品价格、港口状况和供应商风险，然后对数百万种SKU位置组合进行内存模拟。l执行：规划人员将收到需求预测、供应计划、销售与运营计划(S&OP)方案以及财务影响分析。结果可直接导出为PowerPoint或PDF文件，用于向利益相关者进行演示。无需培训。无需学习查询语言。无需掌握任何模块。Canvas的设计宗旨是让任何规划人员都能从第一天起就轻松上手。规划人员还可以构建代理程序，定期处理重复性任务，例如生成每周预测报告，或在销售与运营计划(S&OP)会议前标记异常情况。这样一来，手动工作得以自动化，规划人员就能专注于更有价值的决策。根据普华永道2025年的调查，91%的供应链领导者表示，贸易政策的变化迫使他们大幅重新思考其战略，而87%的领导者则认为地缘政治风险是运营变革的驱动因素。然而，大多数团队用来应对这些压力的工具并没有跟上形势变化所需的速度。Bizagi对制造业的一项研究发现，三分之一的受访者表示，体力劳动占用了他们超过50%的工作时间。SupplyChainDive和WestMonroe的报告显示，近75%的制造和分销企业高管仍然在其销售与运营计划(S&OP)流程中使用MicrosoftExcel。借助供应链画布，同样的工作量只需大约30分钟即可通过一系列对话互动完成。节省的时间来自数据收集、核对、模拟和报告步骤的自动化，这些步骤目前耗费了规划人员的大量精供应链计划技术面向SCP的决策智能分析作者KoonalPandya效益评级高市场渗透率目标受众的5%到20%成熟度青少年定义针对SCP的决策智能（DI）是一门新兴学科，它通过使规划决策明确、可观察并持续优化，从而提高规划的有效性。DI定义了数据、分析、人工智能和人类判断如何为规划决策提供信息。通过将规划决策视为数字化的、可重复使用的资产，DI促进了一致性，支持基于反馈的优化，并同步多个时间跨度的规划。为什么这很重要供应链规划组织已经增加了对高级分析和人工智能的投资，但决策结果往往仍然不稳定、缓慢，或者过度依赖人工专业知识。DI通过将重点从洞察生成转向改进人工和/或AI驱动的规划决策的结构、治理和执行方式，来弥补这一差距。随着波动性、干扰和跨职能依赖性的增加，DI为更具适应性和韧性的供应链规划提供了基础，支持向更自主的规划环境发展。业务影响l供应链规划中的DI通过提供互联、情境化、连续且合规的决策来改善业务结果。l通过决策支持、决策增强以及最终的决策自动化，DI提升了供应链规划的适应性、韧性和自主性，并显著提高了业务响应的整体质量和速度。驱动因素lDI的主要推动力是供应链规划中对更快、更智能、更高质量决策的迫切需求，这是实现自主供应链规划的重要一步。l供应链规划决策复杂性增加来自以下压力：n外部压力，包括持续的供应链中断和贸易伙伴网络日益复杂。n内部压力，需要实现供应链规划技术投资的更高回报，并避免产生技术债务。n对通过自助服务功能和生成式AI民主化分析的强烈需求，这降低了业务用户的入门门槛。l实时事件和数据流服务的可用性，这些服务提供复杂的供应链事件检测和警报机制，以触发或通知决策框架中的自适应和持续智能实现障碍l缺乏专门为DI设计的高级供应链规划工具。l缺乏及时、可信和可靠的数据会削弱供应链规划中的智能决策能力。l缺乏制度化的决策框架来记录、跟踪和监控决策，包括关键驱动因素和相关权衡。l缺乏技能，因为现有的规划能力仍然以技术为中心或按功能划分，而不是跨多个技术和功能层面以数据驱动和决策为核心。l现有的供应商锁定带来了能力扩展和用户上线以支持DI的逐步高成本。l由于涉及安全和数据泄漏的风险，以及应用程序与业务战略的不一致，获得资金面临挑战。用户建议l通过为决策支持、决策增强以及最终负责任且安全的决策自动化选择合适的购买、构建或合作模式，优化解决方案的有效性和实施效率，并最大化业务价值。l通过确保可解释的洞察、在数据质量上重金投入，以及通过信心评分机制跟踪结果成功，建立用户对自动生成推荐的信任。l对AI的局限性设定现实的期望，并通过邀请IT、数据与分析以及业务相关方参与平台评估，鼓励跨职能协作。l通过为自主决策和人工决策定义明确的界限，并分别衡量它们的成功指标，来降低功能重叠的风险。l通过优先考虑决策增强而不是独立自动化，来推动持续改进的文化。样品供应商AeraTechnology;BlueYonder;C3AI;o9Solutions决策智能的概念起源于Google于2018年创立决策智能工程，2021年Gartner将其定义为2022年12大战略技术趋势之一，笔者曾在【31】中对该技术趋势做了解读。Gartner并于2024年发表了决策智能平台（DIP）的市场（包括供应链）研究报告。笔者在【2】中对决策智能的演变，概念，发展趋势，在供应链中的应用有详细的阐述。2025年Gartner首次将决策智能列为8项顶级战略性技术之一，笔者在【17】中做了解读。下面将给出一些发展趋势和案例的补充。2.3.1决策智能平台发展趋势随着决策智能的概念和技术的兴起，从2021年以来，实现决策智能的软件平台技术开始起步和发展。经Gαrtner的研究和评估，选出了世界的15家决策智能平台（DIP）领头羊，并于2026年元月发布了首份DIP的魔力象限研究报告。该报告开篇就指出了决策智能平台的重要性，“决策智能平台(DIP)融合了决策建模、分析和人工智能技术，旨在增强和自动化决策过程，从而推动业务成果。负责决策智能的领导者可以利用这些洞察，投资于决策智能平台，并提升组织的决策中心化水平。”。本文将介绍该报告的几个要点。l战略规划假设和预测n到2027年，使用大型语言模型(LLM)的25%的无序决策将因人类偏见、批判性思维不足和对人工智能的盲目崇拜而造成经济或声誉损失。n到2027年，50%的商业决策将通过人工智能代理进行增强或自动化，以实现决策智能。n到2028年，25%的CDAO愿景声明将以“决策为中心”取代“数据驱动”的口号，明确地关注人类的决策行为，以提高数据和分析的价值。n到2030年，通过采用决策智能平台，明确建模的业务决策将比无序决策的可信度高出五倍，速度快80%。l市场定义/描述Gartner将决策智能平台(DIP)定义为一种软件，它通过数据、分析、知识和人工智能的组合，创建以决策为中心的解决方案，从而支持、增强和自动化人类或机器的决策。DIP使企业能够协作设计和明确建模决策，大规模地协调执行过程中的决策流程，并实现对决策质量的监控和治理，同时从行动和结果中学习。其功能可以包括基于规则和逻辑的技术、机器学习、实时事件流处理、商业智能、多模态数据和分析准备、自然语言处理、图技术、优化、仿真或用于决策智能的人工智能代理等。决策集成平台（DIP）提供了一种解决方案，旨在提升组织机构的决策能力，无论决策者是人还是机器，是个人还是团队。它们应对了在动荡、不确定、复杂且模糊的生态系统中，为日益挑剔的客户在颠覆性、竞争激烈且监管严格的市场中做出及时准确决策的挑战。DIP通过创建可执行的决策模型来改进决策服务组合和全源情报，从而实现更佳的态势感知、更优的建议或自主行动，并根据具体决策和结果进行定制。它们可以降低决策失误的风险，使组织机构能够预测变化并更迅速地把握机遇，从而实现规模化发展。数据整合计划（DIP）可以帮助组织实现以下目标：改进决策——DIP能够对决策进行建模并协调决策流程，使决策生命周期结构化和透明化，并使决策服务能够根据从环境中学习的情况更具适应性，从而带来更好的结果。提高效率——通过大规模增强和自动化决策，利用预测性分析节省时间和资源，使团队能够专注于更具战略意义的任务。加强协作——协作决策建模和执行有助于确保考虑相互依存和多样化的观点，从而做出更全面、更值得信赖的决策。更好的治理和问责制——解释、评估、管理和审计决策的能力确保组织能够从过去的行动中吸取教训，并不断提高信任度、安全性和合规性。数据集成平台（DIP）为当今复杂的世界提供了一种连贯、情境化、互联、合规、成本优化、协作和持续的高质量决策方法。通过优化数据、人工智能和其他技术的使用，它们能够提升决策质量并带来更好的业务成果。l必备功能--该市场必须具备以下特征：n决策建模——利用可视化、低代码、以决策为中心的用户界面，从复合人工智能中设计可解释的决策模型，以定义输入、流程和输出来构建决策框架。它包括蓝图和决策网络建模，用于捕捉生命周期背景、连接性和连续性。n决策协作——旨在提升人机协作能力，最大限度地减少团队、企业和生态系统中人机决策者之间的摩擦。它能够生成决策工作流程、伦理和结果保障措施、防护规则以及用于输入/输出监控和风险缓解的警报阈值。n决策服务组合——能够将决策流程组件化，并使用模块化、可重用的组件将任务封装成决策服务，以便于发现。它包括将企业和合作伙伴的系统架构及数据生态系统与集成框架和编程访问相结合，从而实现可组合性。n决策执行——协调和执行决策流程的能力。它包括跨开发、测试和生产环境的端到端决策生命周期管理，以及各种部署选项，以确保决策服务的可靠、可扩展和高效的批处理和实时操作。n决策监控——能够查看每一项决策及其模型、逻辑、决策元数据以及决策流程的洞察。它包括建议和警报，以便在决策生命周期中实施安全有效的调整，并在适当情况下让相关人员参与其中，以学习和提升决策的影响。n决策治理——通过记录、审计和推进决策，并建立问责框架，将治理原则应用于数字基础设施，以实现安全、可靠、合乎道德、透明、可重复、以结果为导向的决策；包括将决策作为资产（模型、逻辑、元数据）进行治理：管理、政策和指标。lDIP共同特征--该市场的共同特征有：n基于规则和逻辑的技术——能够将组织内部的诀窍、政策、程序、标准、规章制度和显性知识转化为结构化的规则。这些技术包括正式指令、专家启发式方法，或通过机器学习或优化方法推导得出，并由分析师进行控制以确保一致性。n机器学习技术——利用统计、计算和人工智能模型从高维数据集中提取洞察并预测结果的能力，这些模型能够学习模式和关系。相关技术包括监督学习、半监督学习、无监督学习和强化学习。n实时事件流技术——能够以低延迟从数据流中摄取数据，从而实现快速分析和集成。这些技术包括复杂事件检测和警报，以触发或指导自适应和持续智能。n商业智能技术——通过仪表盘、报告和可视化工具对数据进行建模、分析和可视化，从而支持明智的决策。这些技术包括帮助用户发现模式、预测趋势、改进运营以及协作分析发现的结果。n多模态数据与分析表示技术——能够从各种格式、语言或图像的广泛数据中挖掘价值，这些数据既可以来自内部，也可以来自外部。它能够将人类生成的信息分解为机器可理解的有意义的特征，并将机器生成的数据组合成富含上下文信息的分析，以辅助决策。n自然语言技术——通过处理语言的各个方面（语用、语义、语法、词汇实现直观的人机交互。这些技术包括生成式人工智能和语言处理方法，用于提取规则或策略，以及解析、解释和生成语言、翻译和摘要。n图和知识技术——表示和分析高度关联数据的能力，例如实体、网络节点或数据对象之间的关系。这些技术包括图数据管理、本体和语义网络、知识图谱、图分析或因果图。n优化/模拟技术——通过运筹学，在约束条件下寻找最优资源组合，从而实现效益最大化和权衡取舍的能力。这些技术包括线性规划、约束规划、整数规划、进化算法、假设分析或情景规划，用于模拟环境和结果。n用于决策干预技术的AI代理——利用代理AI来提高决策的速度、质量和适应性的能力。它包括AI代理在决策建模和组合中的（半）自主作用，支持、增强或自动化决策服务的组合和执行、协作、监控和治理。lDIP魔力象限图12：决策智能平台魔力象限（来源：Gartner【31】）魔力象限从两大维度，即愿景的完整性和执行的功能将25家DIP的供应商划分在四个区域里，下表展示了这四个区域和在该区域中的供应商的特征魔力象限分区分区中DIP供应商之特征领导者领先企业将强大的执行力与清晰、前瞻性的决策中心架构愿景相结合。他们提供贯穿决策生命周期的全面能力——包括建模、编排、监控和治理——同时集成生成式人工智能和智能体人工智能等先进人工智能技术。领先企业通常提供可组合架构、低代码/无代码接口以及满足监管和企业要求的强大治理框架。他们展现出持续的路线图交付能力、稳健的财务实力以及跨行业和跨地域的扩展能力。此外，领先企业还大力投资创新，嵌入优化、仿真和可解释性技术，以支持大规模可信自动化。挑战者挑战者厂商在执行力方面表现出色，通常拥有庞大的用户基础或在业务规则引擎或工作流自动化等相邻市场取得过成功。他们通常提供可靠、成熟的平台，具备强大的决策建模和执行能力，但在创新或差异化方面可能落后于领导者厂商。许多挑战者厂商专注于渐进式改进，而非智能体人工智能或高级仿真等变革性功能。他们对决策智能的愿景可能不够全面，对自主代理或多模态决策流等新兴趋势的关注有限。虽然他们能够提供稳定性和可预测的交付，但客户仍应核实其长期路线图承诺，以确保其与不断发展的以决策为中心的战略保持一致。有远见者远见者对市场发展方向有着深刻的理解，并常常以智能体人工智能、GenAI驱动建模和以决策为中心的编排等创新理念引领潮流。他们优先考虑仿真、优化和情境化决策流程等高级功能，旨在重新定义企业嵌入决策智能的方式。然而，远见者可能缺乏当今企业级应用所需的规模、成熟度或功能广度。他们的产品通常吸引那些寻求尖端功能和早期采用新兴技术的组织；但是，客户应评估执行风险，并确保这些创新能够转化为可衡量的业务成果。小众玩家利基型企业通常专注于特定行业、地区或决策类型，提供针对特定用例的专业功能或轻量级平台。它们可能提供强大的基于规则的建模或特定领域的模板，但往往缺乏高级人工智能技术、可组合架构或全球可扩展性方面的深度。许多利基型企业正在从传统的决策管理套件或业务规则引擎发展而来，扩展其产品以包含决策智能功能。虽然它们可以为需求狭窄或受监管环境的组织带来价值，但客户应评估它们支持更广泛的以决策为中心的战略和长期创新的能力。2.3.2决策治理技术趋势随着决策智能的深入发展和更多企业的采用，决策的审计和结果的评估引起了业界的重视，对于决策治理这项战略性技术应运而生。Gαrtner将这项技术列为2026年8项顶级供应链年供应链计划技术的顶级趋势》研究报告【28】中，将决策治理列为2026年十项顶级SCP技术的首位，并指出它是一项有意义的重要SCP技术。下面是该报告对该技术的概念和发展趋势分析之要点。l决策治理是将治理原则应用于决策智能，为做出道德、透明、可重复且与结果一致的决策提供正式的问责框架。它将决策视为宝贵资产——包括模型、逻辑和元数据——并通过政策、标准、指标和管理进行严格管理。在供应链规划中，决策治理就像一道重要的护栏，确保高质量的决策保持一致、符合上下文、合规并得到优化。由于整合复杂的供应链技术本身会增加操作风险，这一框架帮助供应链领导者安全地扩展新技术能力，比如人工智能原生能力，并根据最终用户的信任水平执行增强和自主决策。l在供应链规划中，早期采用者正通过改进现有流程来管理特定的、高度受限的类别或交易，从而运用决策治理。供应链组织积极依靠决策治理来构建关键决策的监督，这些决策涉及资源分配、不确定性或相互竞争的选择。通过明确地对这些重复性、高影响的决策进行建模，并记录它们的输入和理由，组织能够在扩大到更广泛的供应链自动化之前，建立透明性、可追溯性和持续学习。l展望明年，决策治理有望成为应对生成式人工智能和自主型人工智能部署带来日益增加的风险的关键能力。预计新兴的应用场景将主要集中在治理由AI代理做出的自动化决策，以防止算法偏差、无法解释的黑箱结果以及严重的监管不合规。随着自主型人工智能的采用加速，组织将越来越多地使用决策智能实践来实施人机协作（半自主）流程，以在自动化速度与责任之间取得平衡（参见《AI代理中的人机协作框架：平衡自主性与监督》）。对于采用“人类在环”流程的规划组织来说，平衡速度和责任变得更为关键。在这种流程中，人员通过政策和阈值管理决策生命周期，但在执行过程中不进行干预。一旦完全自主的规划成为现实，这一点就更加重要。此外，决策治理将越来越多地用于进行偏见审计，并记录决策过程，以便为应对和遵守新兴的全球AI法规做好准备。2.3.3SCP决策智能平台案例AAVIL是一家提供企业智能解决方案的供应商，该公司创建了Al驱动的决策智能平台为供应链规划实现从数据驱动到以决策为中心的变革。图13显示决策智能如何改进供应链计划。图13：决策智能如何改进供应链计划（来源：AAVIL【32】）从图13可见，以Al为核心的决策智能平台是需求预测和其他数据与供应链计划行动之间的一座桥梁，该方案一改传统的数据驱动+人工决策的方式，实现了以决策为中心的方式，决策智能平台不仅提供计划和行动决策，从而达到快速计划并驱动执行流程。该平台记录决策过程和结果，并通过学习不断改进决策和执行结果。从而达到高效计划，低风险，提升供应链的弹性。供应链计划技术分析作者PiaOrupLund,JanSnoeckx,EvaDawkin效益评级高市场渗透率目标受众的5%到20%成熟度青少年定义自主规划被定义为自动预测（计划创建）和自动处方（计划评估和批准）。在完全自主的规划中，人在创建或批准计划的过程中没有直接参与。对供应链规划（SCP）负责人来说，谨慎判断哪些规划决策适合自主规划是非常重要的。为什么这很重要自主规划通常被那些正在完善其数字供应链规划（SCP）流程的公司考虑。传统上，自主规划取代了规划人员的活动，适用于任务重复且人工偏见可能导致决策不一致或质量差的情况，从而降低整体计划的质量。然而，随着智能AI的发展，自主性的范围也在扩大。自主规划可以通过消除对决策几乎没有价值的人为干预，从而提高规划人员的生产力和决策质量。业务影响传统的规划高度以人为中心。虽然技术可以生成初步的计划方案，但规划人员通常需要调整这些计划，以确保它们是现实可行的。自主规划使公司能够改进规划决策，并在规划过程中比仅依靠人工规划更高效。例如，自主规划可以在很短的时间内生成并评估大量计划，而人工规划需要花费更多时间。此外，自主规划还能减少规划决策中的人为偏见和差异，这些通常是由人的经验和偏好引起的。驱动因素l对简单决策的自动化可以为规划人员腾出更多时间来处理更复杂的决策。当供应链规划（SCP）领导者在获取和保留人才时遇到困难时，这可以帮助他们最大化规划资源的生产力。l随着公司努力实现决策自动化，规划需求的重点会从以人为中心（低成熟度通过以流程为中心（中成熟度），逐步转向以决策为中心（高成熟度）。专注于决策而不是流程，公司可以通过将成熟度和决策风险情况与在不同时间应用的适当自动化水平对齐来不断进步。l公司需要做出的规划决策数量庞大且复杂，这要求提高决策速度，尽管可用的数据量和做出这些决策所需的数据量呈指数增加。通过技术实现自动化是实现这一目标的关键。实现障碍l分析透明度的缺乏会影响最终用户对结果的信任，从而影响对技术本身的信任。当缺乏可解释性时，人们对技术的信任就会受到抑制。l将文化思维从以人为中心转向以决策为中心可能具有挑战性。这一转变可能需要数年时间才能完成，并且需要规划人员进行技能提升和再培训。l端到端的自主决策需要一个能够在供应链网络和价值链中提供广泛可见性的环境。l自动化规划决策在事件层面需要高精度的数据，利用如物联网（IoT）传感数据、市场数据、宏观经济数据和领先指标等输入。l在操作时间范围内的自主规划需要低数据延迟和高数据质量（准确性、完整性和可用性）。来自执行的高质量数据的实时更新并不总是随时可用。用户建议l将自主规划目标与您的数字规划成熟度和文化准备度对齐，同时评估数据、技术和人员的准备情况。l应用一种决策类型框架，将决策分为不同类别（例如，简单、复杂、复杂和混乱），以便理解SCP环境中存在的决策类型组合。l使用决策类型映射作为指示哪些规划决策适合完全自主进行的依据。试图完全自动化错误类型的规划决策会导致负面结果和次优计划。l可解释性是推动最终用户采用和利益相关者参与的关键，因为它能为任何新部署的分析提供良好的透明性。这将增强对这些新方法的信任和信心，从而支持更多决策自动化的部署。样品供应商自主供应链主要包括自主计划和自主执行。作为一项重要的新兴技术很早引起了我的关注【33-35】。2021年9月笔者和潘永刚合著的由人民邮电出版社出版的《数字化供应链：转型升级路线与价值再造实践》【33】中设有第5章--“供应链计划的数字化变革”，其中讨论了自主计划，并引用了Gartner2019年的SCP技术成熟度曲线（见图14），自主计划刚进入高峰期，需5～10年才能成熟（见图14）。图14：Gartner的2019年供应链计划技术成熟度曲线（来源：Gartner【33】）笔者曾在【1】中对2020年的SCP成熟度曲线上的该技术做了解读。之后，2023年前后该技术仍处于高峰，并是5～10年成熟的技术。原因是该技术的重要支柱技术人工智能实践技术，如生成式Al，大语言模型，智能体的兴起。笔者继续追踪自主计划技术，并在【3】中对2024年Gartner的SCP技术成熟度曲线上的该技术做了进一步解读，此时该技术仍在曲线高峰区。2025年该技术从高峰区开始转入幻灭低谷区，成熟时间变为2～5年。2026年该技术继续滑向低谷。由于它的支柱技术智能体Al，物理Al，数字孪生等的发展，自主计划有望在2～5年成为SCP的主流技术之一。下面本文对该技术的发展趋势作一些补充。2.4.1供应链的自主时代已经来临下面列举了Gartner若干关于自主供应链的预测【25】:l2025年10月14日杰出副总裁分析师唐·谢本雷夫（DonSchei人工智能驱动的自主商业时代即将到来！Gartner警告企业领导者，现在就应该为自主人工智能带来的战略颠覆做好准备。l自主业务标志着企业转型的新时代从本质上讲，自主性指的是系统能够感知周围环境并独立作出决策，而无需等待人类指令。自主性由诸如智能体人工智能、机器人和自动化等自我改进、适应性强的技术驱动，代表着数字商业之后的下一个重要发展浪潮，但也已经要求企业领导者思考如何重新调整其人工智能目标和竞争战略。l据商业和技术洞察公司Gartner预测【25】，到2031年，60%的供应链中断将在无需人为干预的情况下得到解决。lGartner2026年供应链研讨会/博览会的会议主题是“动态设计：重塑、重新思考并重构面向自主时代的供应链”。Gartner高级总监分析师LindsayAzim将作题为“引领供应链迈向自主时代”开幕主题演讲：供应链正面临新一轮成本压力和地缘政治格局变化的双重挑战，而人工智能的巨大潜力正激励着首席执行官们积极推动下一波增长。此时此刻，成功的关键在于重新构想供应链的运营方式、运营地点以及运营主体。该演讲将指出：首席供应链官(CSCO)和供应链高管如何大胆构建面向未来的供应链，引领企业迈入自动化时代。l到2030年，75%在2026年暂停招聘入门级员工的供应链企业，将为职业生涯初期的专业人士支付超过15%的溢价。l到2031年，随着人工智能使供应链日益自动化，60%的供应链中断将在无需人工干预的情况下得到解决。图15:2031年实现自主供应链的路线图（来源：Gartner【25】）具有自主性和能动性的新兴技术是实现自主供应链的关键支柱。Gartner首次将自主性和能动性作为2026年8项顶级战略性技术趋势的三大主题之一。该主题包括四项重要技术见图图16：Gartner连续9年关于供应链八项顶级技术趋势和主题（来源：【18】）从上图可见自主性和能动性主题包括以下四项技术：l多功能机器人（PolyfunctionalRobots）l物理AI（physicalAI）l智能体AI（agenticAI）l协作多智能体系统（collaborativemultiagentsystems）从2.2节，我们已经看到了智能体AI是实现自主计划的关键技术之一。2.4.2自主式或“无人值守”供应链计划；真正需要的是什么？这一节笔者介绍自主计划在起步阶段2019年的一项研究工作【36】，该研究工作由NielsvanHove发表，他是一名供应链专家和AreαTechnology的高管。他在论文中指出了2019年供应链计划开始步入自主计划时代。并指出自主SCP所要求的8大要素，实际上指出了实现自主计划的努力方向。供应链计划发展的三个波浪l第一波——企业资源规划（ERP企业资源计划(ERP)软件的出现，标志着ERP发展浪潮真正兴起于20世纪80年代，其发展历程可以追溯到20世纪60年代。最初，ERP旨在简化和自动化交易型业务流程，例如库存控制和物料需求计划(MRP)等计划功能。在交易层面，ERP对企业而言是一项巨大的进步，几乎所有大型企业都离不开它。然而，ERP的功能涵盖财务会计、人力资源、销售与分销、质量管理和资产管理等诸多方面，因此计划并非其唯一关注点。随着下一波集成供应链计划软件的出现，这种情况发生了改变。l第二波——高级规划系统（APS）：高级计划系统(APS)大约在20年前开始发展，其目标是帮助企业展望未来，将计划与其他功能整合，并自动化和优化供应链指标，例如预测准确性、库存持有量和客户服务。20年后，APS的产品生命周期已进入成熟阶段。这使得它们在竞争激烈的市场中成为一种商品，就像支持它们的数据库和ERP系统一样。n高级采购计划(APS)必须解决的需求、供应、库存和补货计划的基本原则多年来几乎没有改变。驱动这些计划的主数据和计划参数要求也同样如此。尽管APS系统在视觉上变得更加美观，并增加了功能和优化器，但它们仍然依赖于准确的数据输入。这仍然是一个挑战，因为大多数全球企