【前情提要】上一篇留下了一张线索单——可能出问题的是哪几条路径，哪些已经确认，哪些还要核实。可是在企业里，真正难的一步在后面：桌上的动作怎么组成方案，方案怎么放在同一把尺子下比较，谁来拍板。这一篇就谈这件事。
【系列引言】AI时代谈风险，先要把风险理解清楚。对业务关系和运行条件的判断有偏差，AI也可能把偏差放大。本系列先重建风险认知、重新审视管理，再讨论AI如何参与判断与行动，最终落到控制塔的持续运营。
01 五个动作摆在同一张桌上
线索核实之后，B企业确认了一件事：S1停产六周（本篇情境及数据均为示意，不特指哪家企业）。
按当前排产，M7的库存覆盖时间是十天左右。也就是说，真正留给讨论的时间，只剩下十天。
一周一次的协调会上，五个动作被先后提出来。它们的作用并不相同：
1. 动用备用供应商S2，补充持续供给——S2已通过M7验证，每周能提供100件，但两个事业部合计每周需要160件，单独用不够；
2. 现货采购，填补部分数量缺口——价格高出常态三成到五成，交期三天，批次要先核对；
3. 调整排产，改变资源分配——M7优先供K1的订单，其余往后挪，被挪的那几笔同样是对客户的承诺；
4. 改空运，提前某批货的到达时间——从三周压到五天，运费翻几倍；
5. 与客户商量，改变交付时点——分批交付，要看K1的生产线能不能接，也要看合同怎么约定。
会议开了两个小时，最后的结论是：再等等，看S1那边有没有新消息。
先算一笔时间账。库存覆盖十天；改空运从批准到合格物料可上线，完整流程需要八天——运输五天，其余必需环节（审批、清关、上线验证）三天。最迟两天内必须启动。等到第三天，这个衔接方案即使立刻批准，也无法在库存耗尽前让物料上线。而这三天里，等待本身也在消耗选项：舱位在订、其他动作的窗口在收窄。
02 难的不是没有动作，是没有组成方案
我们复盘过不少类似的会，问题通常不在缺少办法，而在三处：
第一种错位是各算各的那一摊。采购算单价，生产算切换成本，销售算客户关系。每本账都算得清楚，但没有一本账是站在整家企业上的。
第二种错位是只算眼前那笔钱。现货采购贵三成，看起来成本最高；但它可能最不需要动用后续资源。反过来，「优先保K1」几乎不花钱，代价是被挪走的订单，和月底集中交付要多付的加班与运费。
第三种错位最常见：只问能不能做，不问值不值得。技术上都可行，于是讨论变成了谁嗓门大、谁级别高。
要把桌上的动作变成能拍板的选项，先做两件事。
第一，先明确要保住什么，再把动作组合成方案。动作可以相互配合：「S2供货＋现货补缺口」，或者「S2供货＋空运衔接＋部分订单协商延期」。组合是否成立，要核查数量、时点和相互依赖。每个方案都要能回答同一句话：未来六周及复产衔接期间，哪些缺口被补上，哪些仍然存在。
第二，把「维持现状、继续等待」也放进比较。它同样有后果：消耗库存、失去订舱机会、压缩其他方案的窗口。第一节那声「再等等」，问题不在于保守，而在于它从未被当作一个方案来比较。
然后才是同一把尺子——每个方案都要回答同样的四个问题：
一、交付上会发生什么。哪些订单能保住，哪些要挪、要延，最早什么时候恢复原状。回答的是「还能交付什么」，不是「能不能买到货」。
二、成本与资金。一次性支出多少、占用多少现金、影响哪些在执行的安排。这里的成本指整条链条上的全部支出，不只是采购差价。
三、质量与合规。要不要重新做样品验证、要不要走审批——这一栏常常决定某条路根本走不通。
四、剩余风险与新增风险。原缺口减少了多少？哪些问题还没解决？采取这个方案又增加了什么不确定性？动用S2，先检查它能否兑现数量与交期、是否存在共同依赖；改空运，看舱位、清关和到货可靠性；调整排产，看被推迟订单的客户影响、后续能否补回产能。
方案能够降低原有风险，也会留下剩余风险、引入新风险。把这四栏列成一张表：行是方案——包括维持现状，列是这四件事，再加上三列：前提条件（方案成立需要哪些确认）、不可逆程度（做错了能不能撤回）、执行所需时间（从拍板到真正生效要几天）。
这张表不需要系统就能画。难的是把每栏都填上，尤其是第四栏，和「维持现状」那一行。
03 AI的价值：把方案后果和成立条件一起算清楚
到这一步，AI的用处和上一篇不一样了。上一篇它帮我们看到「可能有事」，这一篇它要把「是多少」和「靠什么成立」一起算清楚。
具体来说，四件事它能做得很扎实。
一是按同一个口径，把各方案组合的后果汇总出来。「S2供货并按某种比例分配，K1的11月订单能保住多少、要推后多少」「调整排产之后，被挪的订单分别影响哪几家客户」。这类计算的前提在前几篇备好了：第6篇的业务关系，让它可以顺着物料、产线、订单、客户往上追；第7篇的线索单，让它知道哪几项还标着「待核实」。
二是对共享资源和替代资源做演算。第4篇讲的那件事在这里直接生效：两个事业部都要用S2，不是简单地加减。AI可以按不同的分配比例，分别算出两条业务线的可支撑时间与恢复时间，把「这份产能到底给谁」变成可以讨论的数字。
三是把结论分三种表达摆出来：已确认的量是多少；条件成立时预计是多少；目前还无法可靠估计什么。第三种不硬造数字——客户长期价值、信任影响这类难以可靠折算成金额的因素，保留文字判断，比制造精确的假数字更诚实。
四是检验关键条件变了，选择会不会变。「停产六周」通常是供应商当前给出的预计时长；「现货三天交付」可能只是报价条件；「S2每周100件」要核实承诺与可用时段；客户是否接受延期，尚未确认。那么：S1恢复推迟两周、S2少供两成、现货晚到两天——出现这些变化时，原来的优选还站得住吗？
但这四件事加起来，仍然回答不了三个问题：K1这笔订单丢掉，值不值得？这是经营判断。选择哪一种留在手上的风险？这是取舍，不是计算。谁为这个决定负责？第5篇讲过，跨部门的取舍必须有明确的权限归属。
所以更准确地说：AI辅助把可计算的影响算得可追溯，把关键假设和难以量化的影响摆出来；在既定目标和约束下，它也可以提出推荐、解释排序——但取舍由决策者依据经营目标和授权作出，责任边界仍然清晰。
04 一项管理安排：先查底线与权限，再比可接受的代价
最后说落地。这套做法要能用，需要按顺序做五件事。
第一，评价维度事前约定。交付、成本与资金、质量合规、剩余与新增风险，四项缺一不可。这一层定下来，不同意见能够基于同一组事实展开，而不是各说各话。
第二，先查底线与权限，再比优劣。不是所有方案都值得详细算，但「先淘汰」要分清三种情况：
1. 无法满足必须遵守的质量、安全或合规底线的——淘汰，或重新设计；
2. 需要超出本层级权限的资金、资源或承诺调整的——进入升级审批：明确升级路径与批准期限，批准前不得擅自执行；
3. 带来额外成本、延期或客户影响的——纳入比较，按既定规则判断是否接受。
「必然触发重大违约」不宜和其他条件放在同一条淘汰线上：先检查既定保障规则、客户协商空间，以及是否必须升级决策。
第三，用最迟决策时点倒推。这一条承接第3篇的时间余量和第7篇的最晚核实期限：库存覆盖十天，空运完整流程八天——库存覆盖时间里，还要留出审批、执行和验证所需的时间。每个方案的「执行所需时间」必须留在表里，否则会选出一条来不及走完的路。
第四，可逆与否，用三个问题判断。最晚什么时候能撤回？撤回要付出多少代价？是否已经形成对外承诺、占用了他人资源？调整排产未必容易撤回——设备已经换线、人员已经安排、其他订单已经被挪动；现货能否取消，也取决于具体约定。可以先做的，是询价、核实批次、确认供应条件、按明确取消条款预留资源这类低代价动作。而需要不可逆承诺的，也不能一律留到最后——按最迟决策时点及时批准，并明确止损和转向条件。
第五，会议结束前，形成一份有版本与批准记录的决定。写清五件事：选中了什么方案、批准了多少资源、依据哪些前提、最迟何时启动、哪些变化出现时必须重新决策。它既说明选了什么，也说明这个选择在什么条件下仍然有效——至于执行链怎么走、任务怎么落到人，那是下一篇的事。
再补一件小事，但很重要：把不选其余方案的理由写下来。这一行字，在三个月后的复盘里最有价值——它让人看清当时真正在权衡什么，也让下一次决策不必从零开始。（这一点在第12篇还会回到。）
写在最后
AI时代的含义：过去完整比较多个方案，常常受制于数据分散、口径不一和测算耗时。AI可以把几个方案组合的后果按同一套口径持续算出来，标注每个数字的确信程度，并检验关键假设变化的影响。决策者节省下来的时间，不再花在凑数据上，而是用在真正需要人判断的地方：愿意付哪一种代价。
好的决策，要说清为什么现在选它、它依赖哪些条件，以及条件变化后何时必须重新选择。
五分钟自检：挑一次最近的决策：当时比较过几个方案组合？「维持现状」算在其中吗？被否掉的方案，能不能说清各自的前提和留下的风险？如果答不上来，很可能不是它不重要，而是当时没有人按同一把尺子量过。
下篇预告：方案定了、决定记了，事情只完成了一半。下一篇《预警已经发出，为什么损失仍在扩大？》，谈决定之后的执行链：任务怎么落到人、权限怎么走、结果怎么验证，以及那些不了了之的处置是怎样发生的。
蔡鸿亮 博士 / 文
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，《企业供应链控制塔建设指南》（T/CFLP 0092—2026）团体标准主笔、《〈企业供应链控制塔建设指南〉释义》主编，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，央企供应链对标世界一流评估专家、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，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。近年来重点关注供应链数智运营、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。