2025 年六月,我整理過一篇京東的 AI 供應鏈案例。當時覺得,這是一份值得學習的企業改造經驗,但規模離台灣不少企業很遠。
現在回頭看,我更在意的,是怎麼把別人的案例轉成自己的問題。大型企業用得上的方法,到了不同的資料、流程和客戶條件裡,還需要重新檢查。
從工作論文看案例,先看清楚它證明了什麼
史丹佛 GSB 典藏頁列有 Hau L. Lee、Zuo-Jun Max Shen、Yongzhi Qi、Zhe Chen 共同署名的《AI-driven Supply Chain Transformation》,日期為 2025 年 5 月 7 日,分類是工作論文。SSRN 的作者資料也列出其中兩位作者與京東的關聯。
摘要用 Triple-A 框架討論京東的三個案例:可解釋的時間序列預測、庫存與履約的物流最佳化,以及運用自然語言處理連結消費需求與產品開發的 C2M。
這提供了有脈絡的案例入口。學者與企業研究者共同整理的經驗值得參考,但典藏、署名或刊載於 SSRN,都不能直接當作對公司成效的獨立認證。
我讀這類材料時,會把「作者描述的方法」與「換到另一家企業是否有效」分開。後一個問題,仍要回到自己的條件驗證。
把案例拆成三個提問
從這些案例出發,我會帶著三個問題回到自己的工作現場。
預測:我們想預測什麼? 是單一品項的需求、補貨量,還是交貨時間?看到準確率改善時,我會先問使用哪個指標、和什麼基準相比、涵蓋什麼期間,以及資料是否貼近眼前的工作。單一百分比,還不足以回答這些問題。
解釋:現場需要理解什麼? 使用者除了想知道建議,也需要知道依據、限制,以及什麼情況下該提出疑問。說明能幫助溝通,但資料有誤、目標不合,或流程無法配合時,說得清楚仍不能代替把問題處理好。
規劃:方案如何進入執行? 例如比較某個倉庫不可用時的替代配置,就需要把容量、需求、成本和限制說清楚。能比較方案,和能直接改動實際作業,是不同的能力;後者還需要授權、狀態確認、停止與結果驗收。
這三個提問,讓我看見的不只是模型,也包括模型前後的工作安排。
從內部能力想到對外服務
京東相關業務的組織變化,也容易被放進同一個成功故事。京東於港交所發布的公告確認,京東工業已於 2025 年 12 月 11 日上市並開始交易,而不只是取得上市批准。
但上市是一件組織與資本市場的事。上市本身不能證明多少成果來自 AI,也不能證明某項 AI 供應鏈服務已經帶來淨利。
對我比較有啟發的問題是:如果一家企業想把內部累積的能力變成對外服務,還缺什麼?別人的資料能不能接上?規則與權限是否不同?誰維護介面,誰回應異常,服務效果又如何核對?
把一套流程包成服務,與讓不同客戶用得可靠,之間還有產品化與持續維護的工作。平台化可以是一個方向,不能只靠企業規模或上市事件替它作答。
台灣企業可以先檢查自己的哪一段
台灣企業不必從複製京東的規模開始。可以先挑一段有明確問題、資料可取得、結果能核對的流程,看看工具能幫到哪裡。
如果考慮外部服務,我會問:哪些能力適合交給供應商,哪些知識仍要留在內部?資料如何使用,費用如何計算,服務中斷時怎麼處理?接入平台,也不會讓企業自己的驗收責任消失。
如果保留現有工具,重點則是能否維持清楚的資料定義、版本與交接。用 Excel 管理庫存,不會自動等於落後;但若資料難以核對、異常沒有紀錄,換成更複雜的系統也未必能解決。
我更願意把競爭力放在具體問題上看:承諾的交期能不能確認,缺貨原因能不能追查,改動之後的效果能不能比較。這些比直接貼上「AI 供應鏈」的標籤,更接近客戶的需要。
我現在更重視的,是可以驗收的信任
我仍然重視組織是否願意使用 AI 的建議。但信任不是要求現場先相信,也不是把技術問題改叫文化問題。
資料品質、系統整合、成本、安全、權限與責任,都會影響一個建議能不能被採用。讓人看懂,是其中一部分;讓人能查問、能停止、能確認結果,也同樣重要。
因此,我會先問:我們準備讓系統協助哪一個決定?誰可以採用它?判斷對錯的基準是什麼?在一小段可觀察的流程裡,能不能看見足以支持下一步的結果?
京東案例給我的價值,在於打開這些提問。把問題帶回自己的現場,再用結果修正,才有機會累積適合自己的供應鏈能力。
**2026 年 11 月修訂:**本文依 2025 年工作論文的典藏摘要與上市公告討論案例閱讀;三個實務提問與台灣企業的檢查方向,是我的整理。


💬 留言討論
載入中...