「数智供应链」这个词，这几年在各类行业峰会和厂商白皮书里出现的频率，已经高到让人麻木。
但一个不太好意思问出口的问题是：钱花了，效果呢？
德迅供应链在《洞察2030》报告里调研了北美350位供应链领导者，得到的结论有点扎心——技术在升级，痛点在原地。
这篇文章不谈概念，只谈一个具体问题：那些巨额投入，到底卡在哪里。
一、一个反常识的事实：钱花了，问题还在
先看一组让人不舒服的数据。
BCG在2026年对物流高管的调研发现：97%的高管把AI列为战略优先级，但只有13%的人说AI真的带来了可量化的财务回报。
Gartner的数据更直接：72%的供应链组织已经部署了生成式AI，但只有23%有正式的AI战略；68%的试点卡在「运营集成」这一步，只有12%真正跑到能自主执行、能算钱的那一级。
换句话说，绝大多数企业买的不是智能，是一块好看的大屏。
德迅《洞察2030》报告调研了北美350位供应链领导者，结果显示：过去五年内，高达91%的企业已安装或升级了仓储管理系统（WMS）。
然而近半数受访者，仍把「技术解决方案不足」和「系统陈旧」列为首要运营难题。
仓库里堆着最新的自动化设备，数据仪表盘闪烁着实时指标，订单延误、库存积压、效率瓶颈却一样不少。
二、钱都掉进了哪四个坑
把失败案例拆开看，钱主要掉进了四个坑。
第一个坑：数据是散的，AI是瞎的。
AI吃数据。货、供应商、库存、财务散在ERP、WMS、TMS一堆系统里，格式不通、口径不一，AI连「完整看见」都做不到，谈何预测？行业里有个共识：绝大部分供应链AI失败，根子不在算法，而在数据基础没打通。
第二个坑：买了系统，却没重构流程。
这是最常见的一种错——把上AI当成「装个软件」。AI生成了采购建议，下面的人还是逐条人工审批；AI每周输出一页供应商风险报告，看完还是让人重新写PPT。
AI成了旧流程的华丽外衣。Gartner说得很直接：把AI硬贴在老流程上，只会锁死原有的低效。
第三个坑：一上来就做「需求预测」大而全。
需求预测听起来最像个正经的AI场景，实际上最容易翻车——它要求主数据干净、历史数据足够长，还得计划团队敢信模型。上来就啃最硬的骨头，大概率第一批就崩。
更聪明的做法是从采购订单异常、供应商风险、库存异常这些小切口切入，先跑出干净数据和真金白银，再往预测补货上铺。
第四个坑：只信厂商演示，不做柔性改造。
演示环境里跑得飞快的「样板间」，一上生产环境、跟自己老系统一撞，就现原形。厂商的通用方案适配不了行业特殊业务，最后只能二次换系统，资金和时间双重浪费。
三、比技术更难的，是组织和算账
除了技术层面，还有一个更隐蔽的问题：组织能力跟不上。
「有系统无数据、有数据无洞察」，这是不少企业转型中的真实状态。数据应用停留在报表展示、事后统计，支撑不了端到端智能决策。
采购环节的供应商准入、寻源比价、需求预测，仍高度依赖人工经验；仓储环节即便部署了自动化设备，库存管控策略、补货触发逻辑、物资调拨规则依然靠人工设定。
技术投入没有转化为业务驱动力，根源在于：懂供应链业务的人不懂数字化，懂技术的人不熟悉供应链全链条逻辑。两边接不上，系统就只能空转。
还有一个容易被忽略的点——投入产出算不清。
库存周转提升、人力减少、损耗降低、采购成本节约，这些收益很难单独拆分量化。短期投入看得见，收益很模糊，于是企业在预算会上说不清楚，中途缩减预算、暂停迭代，项目就烂尾了。
四、给准备上车的企业三条建议
如果你的企业正准备上数智供应链，给三条实操建议。
第一，先治理数据，再谈智能。
统一主数据标准、打通系统接口，这件事没有任何捷径。数据没打通就上AI，等于给一个看不见的人当老板。
第二，小切口起步，用结果换预算。
别一上来就做全链路。选一个数据相对干净、痛点足够具体的场景——比如采购订单异常识别、库存呆滞预警——先做出可量化的收益，拿着结果去要下一笔预算。
第三，把流程改造当成项目的一部分，而不是附加题。
系统上线只是开始。业务流程怎么改、岗位职责怎么调、数据录入质量怎么考核，这些如果不同步推进，系统就只是一个昂贵的电子表格。
数智供应链不是买来的，是改出来的。
凡是把这件事当成采购项目来做的企业，大概率都会在两年后开始后悔。