实现自主智能供应链 实现自主智能供应链 2 大中华区业务联系人 作者 埃森哲大中华区战略与咨询事业部董事总经理、 供应链与运营业务主管 jane.zheng.pan@accenture.cn 潘峥 麦克斯·布兰切特（Max Blanchet） 埃森哲资深董事总经理、全球供应链与运营战略主管 克里斯·麦迪威特（Chris McDivitt） 埃森哲供应链与运营董事总经理、自主智能供应链全球主管 管 斯戴芬·梅尔（Stephen Meyer） 埃森哲商业研究院供应链与运营研究高级总监 实现自主智能供应链 3 目录 挑战催生变革， 供应链亟待重塑 通向自主智能供应链 自主智能供应链的挑战 实现运营绩效的全面突破 何为自主智能供应链？ 引领未来： 开创价值新高地 自主化征程： 当下现状与未来十年 06-07 08-09 10-16 实现自主智能供应链 4 前言 克里斯·蒂默曼斯（Kris Timmermans） 埃森哲全球供应链与运营业务主管 传统的供应链模式如今正迅速过时。地缘政 治波动与多变的贸易环境正在重塑全球格局；与 此同时，气候压力日益加剧，消费者期待持续高 涨，传统增效策略所带来的回报却日渐式微。当 下，供应链重塑的关键在于两项关键议题。 其一，打破职能孤岛。自主决策需要在各职能

处理与分 析。例如，在客户服务领域，AI 智能体可以通过分析客户的历史行 为和偏好，提供个性化的服务建议，从而提升客户满意度和忠诚度。 此外，在供应链管理方面，AI 智能体能够实时监控库存水平，预测 市场需求，并自动调整采购计划，以确保供应链的高效运转。 其次，商务 AI 智能体的应用不仅限于单一的业务环节，而是能 够贯穿整个企业价值链。从市场营销到财务管理，从人力资源管理 到产品研发，AI 在当前的市场环境中，企业不仅需要处理大量的数据，还需要 实时分析这些数据以做出快速的业务决策。AI 智能体通过其强大的 数据处理能力和智能分析功能，能够帮助企业实现数据驱动的决 策， 从而提升运营效率。例如，在供应链管理中，AI 智能体可以通过预 测分析优化库存水平，减少资金占用；在客户服务领域，智能客服 系统能够全天候响应客户需求，提升客户满意度。 此外，随着企业组织结构的复杂化，跨部门协作和流程整合成 AI 智能体应用服务方案，对于企业在数字化时代的发 展至关重要。 以下是 AI 智能体在商务场景中的主要应用领域及其潜在效益 的对比： 应用领域 主要功能 潜在效益 供应链管理 预测分析、库存优化 减少库存成本，提升供应链效率 客户服务 智能客服、实时响应 提升客户满意度，降低人力成本 内部协作 智能任务分配、流程自动化 提高协作效率，优化资源配置 市场营销 精准营销、个性化推荐 提高转化率，降低营销成本

据的 分析，DeepSeek-R1 能够识别出影响成本的关键因素，并基 于这些因素进行预测，显著提升成本估算的准确性。  优化资源配置：DeepSeek-R1 能够综合分析项目需求与市场 供应情况，提出最优的资源配置方案，从而降低材料、人力和 时间成本。  增强风险管理能力：DeepSeek-R1 通过实时监控项目进展和 市场变化，能够及时识别潜在风险，并提供相应的应对策略， 有效降低项目风险。 对预测结果的解释，帮助用户理解影响造价的关键因素。 此外，DeepSeek-R1 还结合了强化学习算法，通过与实际工 程环境的交互，不断优化模型的决策能力。例如，在材料采购策略 优化中，模型通过与供应链管理系统的集成，能够动态调整采购计 划，以最大程度降低成本并满足工程需求。 2.4 模型训练与优化 在 DeepSeek-R1 大模型的训练与优化过程中，采用了分布式 训练架构，结合大规模的工程造价数据集进行迭代训练。数据集涵 大模型还能够通过深度学习和数据分析， 优化工程量清单的编制流程。例如，模型可以根据项目的规模和性 质，自动匹配最合适的清单模板，并根据历史项目数据，推荐合理 的工程量预估范围。对于特殊材料或工艺，模型还可以提供市场价 格趋势和供应商信息，为决策提供支持。 为提高清单编制的透明度和可追溯性，建议采用以下工作流程： 1. 模型初步生成清单并提交给项目团队。 2. 团队进行复核和调整， 重点检查异常数据。 3. 模型根据复核结果进行二次优化，并生成

在保持审计证据链完整性的前提下，实现技术赋能的实质性突破。 流程自动化（RPA）的局部应用虽能提升基础核对效率，但在 面对非结构化数据（如合同文本、邮件通信）时仍显乏力。某上市 公司审计案例显示，其采购循环审计中仍有 62%的供应商资质验证 需要人工复核扫描件，这类场景亟需具备多模态处理能力的智能体 支持。同时，审计质量控制的最后一公里问题突出，现有系统缺乏 对审计底稿逻辑完备性的自动校验能力，导致约 28%的监管问询源 - 时序特征提取：生 成周期性波动分析所需的移动平均序列 归集阶段输出符合审计分析要求的数据立方（Data Cube）， 其维度设计如下： 维度类别 要素示例 处理要求 实体维度 客户/供应商/项目编码 主数据一致性校验 时间维度 会计期间/凭证日期 按审计期间自动切片 指标维度 金额/数量/汇率 单位统一与精度控制 审计属性维度 修改痕迹/审批流程状态 元数据完整性验证 模块 | 资产存在性 | 固定资产周转率偏离度 | 标准差 >2σ 启动核查 | 异常检测模块结合孤立森林算法与规则引擎，对交易流水实现 毫秒级扫描。特别设计关联分析功能，可自动构建供应商-客户关 系网络图谱，识别循环交易等复杂模式。测试数据显示，在千万级 数据量下，隐性关联识别的召回率达到 82%，误报率控制在 5%以 内。 底稿生成模块基于 NLG 技术自动输出审计调整建议、管理建

制高点 关键芯片 基础软件 产业链控制 主导权 卡脖子 产业基础 创新能力、供应链体系、 人才资源 决定性 关键性 基础性 研发 设计 断链风险 核心 制造 美国 / 欧洲 中国台湾 / 韩 国 中国大陆 产业竞争从国家间分段互补合作模式转为主导权、制高点和卡脖子的争夺 存储器制造 整机组装 终端制造 芯片架构 操作系统等 现在 ：主导权和卡脖子争夺 过去 ：分段互补合作模 式 终端 制造 技术标准 核心专利 核心器件 高端设备 基础支撑保障 供应风险 政府决策需求 企业创新需求 航空航天、轨道交通、新材料、新能源、电子信息等战略产业、未来产业对产 业信息智能分析提出重大需求，呈现广泛、持续增长的发展态势。 产业发展决策：广阔的社会需求 智能制造升级 绿色低碳发展 技术竞争态势分析 市场机遇识别 产品创新方向 竞争优势构建 产业发展战略规划 新兴产业布局指导 产业能级提升路径 未来产业培育方向 产业链风险预警 供应链韧性提升 产业链补链强链 产业安全保障体系 上下游协同创新 产业资源对接 创新要素匹配 产业生态融 入 产业链安全 转型升级需求 新兴产业培育 市场竞争需求 产业协同需求 创新体系建

，理论上能够更精确地解决特定 问题，从而实现更优的性能表现。此外，保险企业在研发过程中能够深入掌握模型的技术 3.1.1.3 深度研发大模型 �� 细节，这不仅提升了自主性，也减少了对外部供应商的依赖。 然而，深度研发大模型同样伴随着巨大的挑战。首先，它需要巨额的研发成本，包括但 不限于昂贵的计算资源和顶尖技术团队。其次，从项目启动到最终应用上线，可能需要数 月甚至数年的时间，且在 同类型的计算资源构成，面临着算力资源被恶意消耗的风险，以及算力层面风险跨边界传 递的威胁，这些都可能对保险业务的稳定性和效率造成不良影响。 （4）供应链安全风险。保险科技产业链呈现出高度全球化的分工协作格局。然而，个别 国家利用技术垄断和出口管制等单边强制措施，试图构建发展壁垒，恶意阻断全球AI供应 链。这种行为给保险行业带来了显著的芯片、软件、工具等关键资源的断供风险，对保险科 技的持续发展和创新构成了严峻挑战。 响应措 施，一旦供应链厂商发生安全事件，能够立即响应并妥善处理。 （3）算力安全风险管控。需要建立合理的算力资源分配机制，避免算力资源被恶意消 耗或滥用。同时，对不同用户的算力资源进行严格的隔离和监控，及时发现并处理任何异 常的算力消耗行为。此外，定期备份算力基础设施的数据和配置信息，以便在发生安全事 件时能够迅速恢复系统，确保保险业务的连续性和稳定性。 （4）供应链多元化。针对大模型

化资产配置，提升投资回报率。 证券行业 AI 架构实践 阿里巴巴在多个行业中应用大模型技术，优化了其企业架构中的业务流程和决策支持系统。通 过 AI 模型的实时数据分析，阿里巴巴实现了智能化的供应链管理和客户服务，显著提升了运 营效率和客户满意度。 跨行业 AI 架构创新 11 预期效益与 ROI 分析 运营成本降低与效率提升测算 自动化流程优化 通过大模型技术，银行可以实现业 产业链生态共建 科研机构联合创新 开放平台与创新孵化 与高校建立紧密的合作关系，共 同开展数字金融、大模型技术等 领域的研究和人才培养，为银行 输送高质量的专业人才。 与金融科技公司、技术供应商等 产业链上下游企业建立合作伙伴 关系，共同构建数字化转型生态， 实现资源共享、优势互补和协同 发展。 与科研机构合作，开展前沿技术 研究和创新项目，推动大模型技 术在金融领域的应用和发展，提

地、风电等能源资源丰富，算力中心建设成本低，智算中心集群化 发展，规模快速增长，算力分指数提升。 北京算力分指数有所下降，一是政策引导算力需求向周边及西 部迁移；二是由于土地资源、电力能源紧张，大规模建设算力基础 设施面临土地供应不足、用电成本大等问题，限制算力规模的快速 扩张；三是北京市对算力中心能耗指标控制严格，新增项目在能耗 指标审批上面临较大限制，从而影响了算力规模的增长速度。 综合算力指数 16 来源：中国信息通信研究院 20。环境分指数 Top10 东、西部省份各占五成，在资源环境和市场环境方面各具特色和优 势。西部地区在政策支持、气候条件、绿色能源供应等方面具有独 特优势；东部沿海地区则在基础设施建设、人才资源和行业生态建 设方面表现突出。同时，各地区面临着基础设施建设、能源供应、 技术人才等方面的挑战，需要进一步加强合作和协同发展。 综合算力指数 32 来源：中国信息通信研究院 图 20 省级行政区环境分指数

CRM、ERP、SCM 等）同样是不 可忽视的数据来源。例如，客户关系管理系统中的客户反馈、销售 数据、服务记录等，都可以提取出有价值的知识，帮助构建客户服 务知识库。同样，供应链管理系统中的供应商信息、采购记录、物 流数据等，也可以为供应链管理知识库提供支持。 为了更高效地采集内部数据，建议采用以下策略：  自动化数据抽取：通过 API 接口或 ETL 工具（如 Apache Nifi、Talend 再者，数据可用性风险指数据在需要时不可用或难以获取的情 况。这可能是由于数据存储故障、网络问题或数据源的不稳定造成 的。为此，应建立数据备份和恢复机制，确保在数据丢失或损坏时 能够迅速恢复。同时，与数据供应商签订服务质量协议（SLA）， 保证数据的持续可用性。 最后，数据合规性风险与法律法规和行业标准相关，如不遵守 可能导致法律诉讼或罚款。因此，必须确保数据收集、处理和存储 过程符合相关法律法 。 3. 监控与报告机制：定期召开项目进度会议，使用项目管理工具 （如 Jira 或 Trello）进行任务跟踪，及时发现并解决潜在问 题。 4. 资源管理优化：提前规划计算资源需求，与硬件供应商或云服 务商建立良好的沟通机制，确保资源能够按需调配。 通过以上措施，可以有效降低项目进度风险，确保知识库数据 处理及 AI 大模型训练项目按时完成。同时，建议建立风险应急预 案，在出现重

智能软件研发行业的兴起推动了软件产业的独立发展、技术创新与产业升级，并广泛拓展了应用领域，满足了多样化的市场需求。 启动期 1970-01-01~2000-01-01 4 智能软件研发行业产业链上游为硬件与基础软件供应环节，主要包括硬件设备和基础软件。其中硬件包括计算机硬件设备、嵌入式芯片、传 感器等，软件包括操作系统、开发工具、中间件等；产业链中游为智能软件研发与开发环节，主要包括需求调研、设计、编码、测试和交付等； 用友网络科技股份有限公司，是中国及亚太地区领先的企业数智化软件与服务提供商，专注于信息技术在企业与公共组织中的应用。用友不断深化AI技术的 开发和应用，通过其智能软件研发业务为客户提供包括但不限于智能制造、财务管理、供应链管理等领域的智能化解决方案，帮助企业实现业务在线、数据 驱动以及智能运营的能力进阶，成就数智企业，推动社会商业进步。用友还推出了企业服务大模型YonGPT，作为深懂企业服务的垂类大模型，为企业提供智