ARTICLE · 1192599
供应链计划软件的下一个战场:让每次决策都产生复利,而不是替你做决策
最近参加一家客户的季度经营复盘会，投影上放着几十页偏差分析，最后一页写着"下季度持续改进"。散会后，那几十页就躺在共享盘里，再没人打开。决定是怎么下的、为什么下、事后看对不对——这些本该沉淀的东西，会议一散就跟着散了。
一、行业在转向：从"自动化"到"持续学习"
Gartner 在 2025 年供应链技术趋势里把"决策智能"列为主流方向，说的是领导者要能看清工具是怎么得出某个结论的，并基于反馈去改进它（Gartner, "Top Supply Chain Technology Trends for 2025", March 2025）。
同年 McKinsey 的 AI 调研给出一组刺眼的数字：88% 的组织在至少一个职能用上了 AI，但只有约三分之一把它从试点推到了规模化（McKinsey, "The State of AI in 2025"）。剩下的卡在哪？麦肯锡的判断是，跑出价值的企业不是把 AI 当效率工具，而是用它重设计了工作流。
这两组研究指向同一个结论：AI 在企业计划里的价值，不在替人把已有的事做得更快，而在搭起一个能持续学习的系统，让每一次计划决策都产生组织层面的复利。
一家国际计划软件头部厂商把这条路径做成了产品。它的 运营模型分三层：敏捷、自适应、自主（Agile-Predictive-Execution）。其中"自适应"这一层，靠的正是他们叫 Post-Game Analytics（赛后分析，简称 PGA）的机制。名字来自体育——球队赛后回看录像，研究每个决策为什么导致那个结果，确保下次可以打得更好。企业每天面对的计划和执行的偏差，本质也是同一类问题。
二、PGA 到底在做什么
说白了，PGA 干的是三件事。
第一，把实际绩效和计划逐层比对，不是只看总账，而是拆到具体的决策和预设逻辑那一层。需求偏了、供应断了、库存涨了、成本动了、服务水平掉了——每个偏差都能追到"当时是哪个假设、哪条规则、哪个判断带来的"。
第二，它顺着整条决策链回溯，把那些在传统复盘会上根本不会出现在幻灯片上的"前置选择"也翻出来——哪些过往的支持性决策，悄悄创造了后来成功或失败的条件。
第三，这些洞察直接回流进政策和计划逻辑，让同类错误不再重复，绩效随周期累积往上走。
这和"季度持续改进"那页 PPT 的根本区别是：复盘不再是一个会议动作，而是嵌在计划与执行之间的连续过程。决策、执行、结果、学习，不再分属不同的系统和不同的会。
三、判断和手感，正在搬进系统
我前阵子写过一篇，说车间的判断和手感，靠一次性对象化采集拿不到，得在工作过程中被记录，靠一次次真实决策和复盘，慢慢长出来。当时那篇是哲学视角，讲的是"为什么把一切当资源，你会看不见工厂"。
现在看，厂商正在把那套道理产品化。PGA 做的事情，本质上就是我说的"把记录嵌进工作流里跟着走"——不是让人另外去填经验，而是让每次偏差、每个处置、每次归因，都自动留在系统里。一次两次看不出名堂，积累几百次，遇到类似局面怎么处理，就不再只装在几个人的脑子里。
区别只在：我那篇强调"这事急不得，得靠时间堆"，而产品化给出的承诺，是把这个积累过程固化进平台，让它不再依赖某个老师傅愿不愿意写、某个复盘会开不开得成。
四、对CEO的建议
第一，别再把"AI 覆盖率""自动化率"当转型的指挥棒。这些指标默认"能被算进去的才是价值"，会把复盘、判断、手感这类算不进去的东西，悄悄划进"待消除的成本"。该盯的，其实是"我们的决策和复盘，有多少真的发生在系统里"。
第二，选工具时，把"它怎么帮我的组织从每次决策里学到东西"当成硬指标，而不是只问"它能不能自动出计划"。前者逼出持续学习的回路，后者只生产更多待人工复核的输出。
第三，内部得养一支能持续打磨这套机制的人——光靠外部厂商来改进，节奏永远受制于人。让组织自己拥有"不断变好"的能力，比一次上线更重要。
回到开头那场复盘会。那几十页偏差分析如果活在系统里、每次决策都留下轨迹，半年后它就不会再是散会即弃的 PPT，而会变成这个组织越来越准的判断力。AI 转型分高下的地方，从来不在模型多新，而是在你能不能让每一次决策，都不白做。
免责声明
本文所引数据均来自 Gartner、McKinsey 等机构的公开研究报告及厂商公开材料，不构成对任何厂商产品的评价或推荐，亦不构成投资建议。文中对数据的解读仅代表作者个人观点。 Gartner 不背书其研究报告中提及的任何供应商、产品或服务，且不建议用户仅依据报告中提及的最高排名或其他评级结果做出选择。
