ARTICLE · 1400566
AI 助手输给了 Excel:计划员弃用智能体背后,藏着分析师 2027 年的护城河
作者记得第一次用 Claude Code 时的兴奋:一条提示词,就把它多年前设计的算法适配到当前项目并部署上服务器。18 个月后,他每天醒来都问自己:「我的价值在哪?怎么避免被 AI 取代?」 但他在制造业和物流部署 AI 的经验告诉他,这些项目很少兑现自动化预期——他见过计划员因为 AI「同一问题每天给出不同答案」而弃用它、改回 Excel;一家公司的同一个 KPI 有 36 种没人记录的算法。没有哪个智能体能独自解决这些,而这正是分析专业人士的机会。
我的 2027 年目标:确保自己不会变成所谓的「肉身代理」(meat proxy)——一个唯一工作就是把请求转给 AI、再把 AI 的答案转回来的人。这篇文章分享我在中大型公司管理智能体项目的经验,展示 AI 在企业环境里的局限,以及AI 无法复制的两项基本功:① 学会你的数据流过的整条链路;② 把请求变成团队真正需要的工具。
🔍 落地 AI 教会我它的边界
作者是供应链背景出身、自学数据科学的人。公司运行的系统(ERP、CRM、WMS…)对分析和 AI 来说,从来不是即插即用——它们不是为「需要干净、齐整数据」的模型准备的。
障碍 1:AI 光看数据库,猜不出系统是怎么被用的
企业部署 AI 的第一道坎是流程映射(现在叫 ontology)。在典型的消费品公司里,制造、物流、财务、HR 的系统不是带统一文档数据源的铁板一块——多数是遗留系统,多年为满足各团队自己的用法堆满了特殊改造。
作者在一家消费品公司设计「找出门店送货迟到的根因」工具,第一步就卡在:怎么定义一次送货算「准时」还是「晚」?纸面上很简单——拿 ERP 里的「Delivery Time」和「Requested Delivery Time」一比,得出布尔值。但跟物流团队开了 12 周的工作坊后,他发现这个布尔值有 36 种不同定义。 比如:法国团队用「发货时间」(因为门店自己派车);巴西团队只在货晚 10 天才算「晚」(因为用海运、交期飘)。这些边界情况没有任何文档记录。
这些知识需要一个人类——我自己——去问其他人,再把这些回答翻译成系统内外数据变换的模型。AI 智能体只看数据库里的交易数据,感知不到这种复杂性。
这需要智能体还没有的软技能:在公司里建立人脉找到该问的人;主持并结构化和运营/业务团队的 workshop;以及常常没被写在网上、只藏在行业经验里的东西(比如同一个 ERP 字段,两个团队会按各自需求不同地用它)。
障碍 2:AI 是随机的,而用户要可复现的
数据科学界早就知道:LLM 因统计本性,对同一输入可能给出不同输出。但这种特性很少适合「可预测、可复现」的环境。
一家制造企业给计划团队配了 AI 助手(Claude Cowork 之类),让计划员拉 Excel 数据回答「下周产多少能满足需求」「要多少生产批才能降 15% 库存」这类问题。结果呢?供应链总监说:「它变成了运营混乱。」 一位计划员承认改回自己的 Excel 表格,因为**「AI 对同一问题,一天一个答案。」** 他们一查,同一问题、同一输入文件,agent 生成了两个不同的 Python 脚本。
作者于是组织 workshop 问计划员需要什么——结论很清楚:他们根本不需要 AI。 用确定性代码写的数据分析工具就能精准满足:库存管理规则、Wagner-Whit 动态批次算法。这些方案确定性(跑 100 次结果一样),且由理解业务上下文的「人」设计。
供应链总监:「我们需要有人挑战我们的需求、提出从数据生成洞察的结构化流程、设计我们能依赖的稳健工具。」
另一个问题是:agent 只有计划员在提示词里给的上下文;而作者花了几个小时问团队几百个问题。
两个例子的共同点:一位经验丰富的工程师,能靠把运营/业务请求翻译成分析方案,来补偿 AI 的局限、解开困局。
🛠️ 技能 1:学会数据流过的整条链路
第一个技能来自作者做持续改进工程师的经历:端到端理解一个流程。 以前在物流行业,他常比客户自己的团队更懂客户的供应链——因为他的角色是建立全局视角:仓储和运输怎么作为一条链运转。而他对面的每个人只想着自己那一步。
作为分析专家,你要追踪数据的生命周期:输入(数据怎么进系统)→ 处理(信息怎么存怎么更)→ 输出(团队怎么读、拿它干什么)。 用这个框架搭 workshop、问对问题、在开始建方案前设好预期。你不需要十年供应链经验也能问对问题。
回到那家 FMCG 公司「迟送」的 36 个公式:
- 输入
:要求的送货日期在门店订单里,客服管理员可应客户要求改; - 处理
:法国团队用脚本改要求日期(如果延迟低于 SLA 就自动改); - 输出
:美国团队不看送达日、看实际发货日(因为他们不负责运输)。
这三行,浓缩了 12 周 workshop 才挖出来的知识。作者问读者:「你觉得把 Claude Code 插进 ERP 的 SQL 数据库,能得出这些洞察吗?」 不能。多数 AI 项目里,仍需要那个「知道每个团队取什么、改什么、交给谁」的人。在很多组织里这个人不存在——所以这更是管理问题,而非技术问题。
🛠️ 技能 2:把请求变成团队需要的工具
第二个技能是把(并挑战)业务请求,翻译成团队真正需要的工具。 上一例里,计划员的 AI 助手只凭有限上下文、按 prompt 文本生成"最可能输出",且从不追问信息、从不开 workshop 澄清需求——它回答请求,不问这是不是对的问题。
作者用一个瑞士机械零件制造商的案例说明。客户从供应链总监那来找他,要类似的生产计划优化方案降成本。当时那位总监本可以让 Claude Code 拉作者 GitHub 上放的 Python 实现直接跑——但他们需要的是一个统一流程,不是一条神奇算法。
因为作者看计划员实际怎么工作后,发现算法根本不是第一个问题:客户订单以邮件进来(客户直发或销售团队转,每个计划员组一个邮箱),计划员手工在 Excel 建生产批次——SKU 能共享批次的订单没被分组,库存或批次太多。
于是不做一个孤立算法,而是一套三步流程,每步都与计划员验证后才进下一步:
- 数据
:所有客户订单收到一个地方(Anaplan),替代"每组一个邮箱"; - 优化
:用 Wagner-Whittin 批量算法,把能共享批次的 SKU/系列订单分组; - 采纳
:优化跑进计划员日常工作流(仪表盘 + 邮件工作流),而不是一个孤立工具。
结果:生产成本预计降 30%(主要靠降低库存)。因为是打包成服务的确定性代码,其他团队也复用它做自己的仿真,配统一日志系统追踪所有分析。—— 一个写代码的助手会写出他们要的算法,却不会质疑这个流程本身。
动手建任何东西之前,先问:这个工具会改变什么决策?由谁做那个决策? 目前为止,智能体不会这么问。
📖 怎么培养这些技能
作者的技能来自 60+ 国际供应链运营(亚太 + 欧洲)的经验。他提供 25+ 个 5 分钟短视频,每个讲:真实运营/业务用例介绍、用运营术语描述问题、确保运营影响的部署思路、以及源码 + 匿名数据集。目标是帮你提升运营和业务素养,长成一个「不会生成代码的随机鹦鹉」取代的技能。
金句速览
我对 2027 年的目标是:确保自己不会变成我们所说的「肉身代理」——唯一的工作只是把请求转交 AI、再把 AI 的回答转回去。AI 智能体只看数据库里的交易数据,无法感知这种复杂性。用确定性代码写的分析和数据科学工具,能精准满足他们的需求。他们需要的是统一流程,不是神奇算法。在着手构建任何东西之前,先问问这个工具会改变什么决策、由谁来做这个决策。
笔者锐评
这篇最扎心的结论就一句:AI 光看数据库,读不出「系统在现实中怎么被用」;而 LLM 的随机性,在要求可复现的业务里是硬伤。 两个案例——计划员因为「同一问题不同答案」弃用 AI 改回 Excel、一家公司 36 种没人记录的 KPI 算法——都是我们身边每天都在发生的事:先有流程没理清,就上 AI;上了 AI 又没确定性兜底,最后翻车。 对「结果必须可复现、可审计」的场景,这条尤其致命:你要的是一个每次都给你同一个答案、答案还能交代来路的确定性工具,而不是一个每次都换说法的随机生成器。
作者给分析/产品经理的两条护城河也很实在:① 把数据从输入到输出的全链路摸清楚(这不是技术问题,是「有没有人肯去问 12 周 workshop」);② 把模糊的「我要个 AI」翻译成团队真正需要的那个工具,并敢于挑战需求本身。 放到咱们的语境,做需求分析、做方案、做产品,真正稀缺的从来不是「会调模型」,而是「把业务逻辑结构化、让机器输出可复现可信任」的那一层。AI 值钱的不是替你做决策,而是把你做出的决策流程固定成一套可复用的确定性工具。
求点赞 👍 求关注 ❤️ 求收藏 ⭐️你的支持是我更新的最大动力!














































































