《AI时代，重新认识风险》系列·第 2 篇

前情提要：上一篇从吉隆冰岩崩谈到风险耦合——几项风险互相改写彼此的条件，系统在不知不觉中进入从未出现过的状态。这一篇换个方向：那些报表上一切正常的日子，风险在做什么。

系列引言：AI时代谈风险，第一章不是讲如何用AI，而是重新理解风险。AI放大的永远是企业已有的认知水平，关系看错了，它只会更快地算错。所以这个系列里，我们先重建认知，再谈AI具体怎么帮忙。

01 报表很好看，车间在硬撑

先说一个示意情境（本篇情境为示意，不特指哪家企业）。

一家制造企业，交付准时率97%，库存周转正常，年度审计无重大异常。

但如果你在车间和办公室待上几天，会看到报表上没有的东西：

夜班排不满人，靠两位老师傅轮流顶着；预防性维护从季度一次拖成了半年一次——没人下过这个命令，是一次次“这季度太忙，下次补上”攒出来的；采购为了保住价格，接受了更长的账期；安全库存两年里下调了三次，每次幅度都不大，每次都有充分的理由。

没有一件事够得上“事故”。每一件单独拿出来，都说得过去。

这些年走访企业，这种状态我们见得不少。它有个共同点：没人做错任何事，系统却在一点点失去弹性。

所以本篇想问的是：当指标依然达标，但维持正常越来越依赖临时协调、加班补位和不断压缩缓冲的时候，风险正在发生什么？

02 流量达标，存量在掉

企业习惯看结果指标——交付、成本、库存、质量。这些是流量，是当期产出。

流量靠存量撑着：设备状态、人员熟练度、资金缓冲、供应商的替代能力。这些东西不上报表首页，却决定了流量还能维持多久。

麻烦在于，这两者不同步。存量在被消耗的时候，流量可以照常达标，甚至更好看——

维护少做一次，当期成本下降；安全库存调低一档，周转率改善；账期拉长，现金流变宽松。每个动作在当期都是正贡献。

直到有一天，条件跌破了维持正常所需的水位。

第 1 篇讲过慢变量。它的破坏力不在快，而在于缓慢、持续，且每一个时点上都“够不上问题”。系统表层照常运转，底层条件已经变了。

说白了：正常运行的维持成本，就是风险的隐性账单。报表只记录你付不付得起，从来不记录账单本身。

03 看风险，同时要看两样东西

所以评估一家企业的风险，不能只看当期表现，还要看支撑正常运行的条件。

只看前者，结论是“一切正常”；加上后者，可能是“正常，但越来越贵，越来越脆”。

具体怎么做？我的建议是先建一张“支撑条件水位表”。它回答的不是“现在好不好”，而是“现在这份好，靠什么撑着，撑的东西还剩多少”。

四个方向，各挑一个能算出来的数：

1. 维护条件：预防性维护的实际完成率，不是计划数；
2. 岗位能力：关键岗位上有几个真正能顶上的人；
3. 资金缓冲：不动用授信，能撑几个月的刚性支出；
4. 供应替代：关键物料换供应商，真实走完流程要多少天。

看这张表有两条经验。一是看趋势不看单点——掉5%不是事，连掉六个季度是事。二是看斜率不看绝对值——水位低不可怕，可怕的是往下掉的速度在加快。

04 把水位表放进月度经营会

要说管理安排，只有一条：让这张表进月度经营会的固定议程。不占讨论时间，只占一页纸——四条趋势线，一眼看完。

它的用处不在抓某一次异常，而在于让“正常”这个词有了参照。以后管理层说“一切正常”的时候，至少能补一句：正常是靠什么撑着的。

AI时代的含义：这类支撑条件过去只在年度审计和专项检查里出现，一年看一次，看到的还是截面。现在设备、人事、资金、采购的数据每天都在产生，水位和斜率第一次可以被天天看见——而且不需要多填一张表。至于AI怎样从日常数据里识别这种变化、怎样区分正常波动和趋势性下滑，是这个系列第7篇的事。这里先记住一句：能不能看见状态，决定了AI能帮多大忙。

下篇预告：水位表解决的是“看见下降”。但降到什么程度会出事？下一篇《压垮系统的，真是最后那根稻草吗？》，谈缓冲、承受边界，以及为什么相似的冲击会带来完全不同的后果。

最后：五分钟自检

你所在的企业，能不能在五分钟内回答——上个月，关键岗位的替班率、安全库存水位、维护完成率，是上升还是下降？

作者简介

蔡鸿亮博士，上海交通大学苏州人工智能研究院产业教授、供应链人工智能研究中心主任，上海交通大学上海高级金融学院企业数字化战略与实践课程教授，中国物流与采购联合会采购与供应链专家委员，国务院国资委供应链数智化研究系列前沿课题学术专家，中国“人工智能+供应链”创新发展报告主笔专家，中国“人工智能+供应链”大赛专家评委组长，《企业供应链控制塔建设指南》团体标准主笔专家，多家中央企业“十五五”供应链战略规划与人工智能转型首席专家。

蔡鸿亮博士长期从事全球供应链、采购与供应商管理、企业数字化转型与人工智能应用研究，曾任IBM全球集成供应链高管、SAP Ariba大中国区首席专家等职，拥有25年、服务逾百家企业的数字化转型、供应链管理与企业经营实践经验。近年来重点关注AI供应链控制塔、AI穿透式监管、供应链风险与智能治理等领域，并持续探索复杂环境下风险识别、风险传导与风险耦合的新问题。