可能日抛的企业软件|决策智能和供应链计划系统

前天我在国内最大的供应链专业会议之一——ACE 2026供应链高峰论坛开幕式上，做了第一个主旨讲演；今天论坛主题是AI 和供应链管理的关系，我特别谈了最近一段时间我研究的AI 驱动运营管理的转型路径，尤其是流程挖掘、大模型智能体和业务本体等技术对供应链计划软件影响。

最近有人说AI会带来企业软件即用即做，用完即弃的现象，即所谓“日抛”，我在《AI不会消灭软件，不是所有软件都会日抛》文中认为，ERP、CRM、OMS（订单管理系统）、WMS （仓库管理）这些记录系统（system of records），由于有很高的数据一致性、流程可审计性的要求，不会被日抛。

不过，最近我研究了知识开源平台KPro的一家赞助企业——观远数据完成的一个智能体供应链排产项目，让我感觉到，以高级排产APS为代表的决策智能（decision intelligence）类软件，有被AI 生成代码全面替代的可能性。

在 ACE 论坛上，我详细分享了这个案例。

决策智能（Decision Intelligence）驱动的企业应用软件产品，包括供应链领域的高级计划与排程（APS）、智能补货，以及营销领域的推荐引擎、财务维度的风控模型等，这类系统的原理在于基于机器学习或者运筹学的模型、算法，实现前瞻性的预测与全局最优决策，赋能生产、销售等业务流程的执行。参见《时尚零售商品和供应链管理的人工智能业务决策》《预测成为内置能力 ｜ AI原生ERP新发展》。

决策智能软件的核心价值是算法、模型，而模型的生命力就在于不断适应新数据、新范式。传统决策智能的算法是固定的，需要数据科学家和业务专家进行模型训练和调参，并且要根据业务变化来持续维护，交付模式既慢又贵，用AI编程生成模型则对算法选择以及模型维护提供了一种敏捷、低成本的方式，这样的模型可以用于决策的生产实践中。

决策智能和记录系统最大的不同在于，记录系统要求绝对准确性和一致性，1+1 必须等于2，在任何一种情况下都必须等于2，同时，1 个鸡和1 个猪是不能被相加的，因而记录系统的软件是高度稳定的，没有必要日抛，而决策智能取决于评估者对决策结果的满意，1+1 可能等于1.9，也可能等于2.1，只要评估者在一定的上下文下接受结果，这个决策系统就是个可用的系统。因而，AI 编码适合对后者进行快速迭代。

传统基于机器学习（ML）或运筹学（OR）的决策智能，往往追求在一个特定的业务问题解决，例如排产或风控，端到端地采用一个模型或一种算法。在今天随着技术发展，为了更动态地处理更加复杂的这类问题，新一代决策智能系统不是采用一种特定的算法，而是采用一套对多种模型和算法进行动态调度与组合的系统架构，同时利用大模型智能体来对决策过程进行模型生成、任务编排，亦称为“复合式AI”（compound AI）。

在这种决策智能模式下，AI 编码生成模型就有价值了。

这里对于应用场景里的有个可能的误会，我过去也有这个误区，即并不是直接让大模型智能体这个“文科生”来干排产这件“理科生”干的事情，而是让大模型生成一个或若干个用来做排产的求解器或算法程序（即代码），作为后续排产的工具。

我认为，一个智能体式排产系统包括有四个组件：

– 数据编织及业务本体层：不仅包含传统APS 系统通常利用的库存、订单等数据，还包括天气、港口状态等数据，以及物流、制造的设备物联网数据，通过业务本体揭示这些数据背后业务对象的逻辑联系，在论坛上我还分享了知识开源平台KPro的另一家赞助企业谷斗科技的业务本体用于供应链计划的方案：

– 决策逻辑理解及任务编排层：理解业务的决策目标，例如成本最低、交付时间最短，拆解、编排决策任务，使决策任务具体操作模型/算法工具

– 模型/算法工具：这些模型和工具既可能是传统求解器，例如Gurobi，CPLEX，OR-Tool 以及经业务人员训练的机器学习模型，也可以是通过AI 生成代码——无论是R 语言还是Python、并且用AI 来进行仿真校验的机器学习模型，AI 生成的模型可以快速迭代

– 监督与反思层：AI 生成模型以及智能体排产还有一个好处是可以根据排产方案和业务实际的对比，评估决策偏差，持续反思，提出修正建议

传统单一模型的决策智能，可能存在可解释性差或者可理解性差的黑盒问题，而基于复合AI 的智能体式排产具有更强的智能化和用户互动的能力：

可解释性：神经网络模型决策是个黑盒，而智能体是排产通过LLM 进行推理，生成人类可读的代码或逻辑，再驱动数学求解器，这让决策过程变得透明。

复杂知识利用：传统的决策问题提出混合了模型、条件等多个概念维度，因而计算效率很低，甚至可能算不出结果；采用业务本体将业务建模前置，提高决策效率。决策不仅仅是订单、处理能力等结构化数据的数学题，还涉及政策法规、博弈策略等非结构化信息，智能体能融合多种数据和知识，通过智能体 思考、推理，最后通过算法求解。

闭环反馈和持续进化：日抛其实并不是抛弃完全不用，而是持续迭代、进化，复合AI 系统可以监控决策结果，如果KPI 没达成，智能体会反思并重写代码逻辑，这是单一模型无法完成的。

针对“智能体式排产”的发展方向，一位APS 专家向我提出了三点探讨，我的思考如下：

1. 谁来决定这个进化迭代？“如果排的不好”的评估是谁做出的？如果不是计划员，那么就是说规则可固化，既然可固化，为什么需要AI不断生成、不断抛弃、不断搞出新的“排产代码”？这样说的话，本质上其实也就是APS里的Simulation不断地以不同的规则驱动不同的计划么；

我认为在智能体架构中，判定好坏的并不是人类的经验，而是结合了KPI 和约束界限的回报函数。这些规则难以穷尽并一劳永逸地固化，因为商业世界和工业环境中充满随机波动，传统APS 的规则库是有限的，而智能体能针对当前的特殊工况，即时生成求解逻辑，这超越了简单的模拟（Simulation），模拟是在旧逻辑里选优，而Agent 是在创造新逻辑。

2. APS或SCP领域，在需求侧（比如预测），的确AI可以很多做场景/模型/算法等，但在供应侧目前还是TOC或者lean等一些核心原理，算法本质上也就是规划、神经网络、遗传、淬火等等，本质上都是要“规则固定、参数固定”，然后不断调参、优参的做法。所以，在核心本质没有改变前，这种Agent我个人认为是不是“APS套壳”——也就是agent套APS，只是把APS给搞成“无UI化”或“统一UI化”而已；

我认为以上观点和智能体架构并不矛盾，目前的Agent 确实大量调用现成的数学求解器，但是传统APS 是静态的工具，工程师负责把TOC、Lean等逻辑写死在里面，专业用户调参，业务用户使用工具。而智能体则是一个动态的架构，它的进化不仅仅是调参，而是灵活组合、生成各种模型和算法。以前是人去适配软件，当软件在某个环节有能力不足时，人类能力去补位，而现在是AI 根据问题，把各种算法（遗传、淬火、规划等）像搭积木一样动态拼装，实现端到端的全自动化。这不是套壳，应该是算法治理权的全面智能化。

3. APS这种垂直类应用在AI时代越来越并不具备优势，那种行业知识的积淀（比如第2点提到的“规则建模”、“参数建模”）及IT应用基础（比如规范数据、拉通数据、算法响应效率）来快速适配企业现实才是优势，所以AI Agent底下的这些内容，AI是怎么保证完整、及时、准确的？

这个问题不是挑战我的观点，他认为AI的业务价值在于AI 掌管企业知识的可靠性。AI 通过处理海量文档和历史决策数据，快速习得原本只存在于专家脑中的隐含规则，这就是AI 努力的方向，无论是业务本体，还是目前的harness engineering，都是致力于AI 智能体在处理业务问题中的一致性和可靠性。