供应链的不变量

AI依然是当下的主流叙事，大家都在探路。我似乎看到故事在重演，早些年数字化转型如火如荼时，很多人喊出要用数字化将所有行业领域重做一遍，这几年AI火热，也不时听到类似的声音，感觉要从头到尾重来一次的样子。

我想到了自己初入职场时，在江门一家国企改制企业工作（研发、生产和供应洗衣机离合器、风扇电机等核心零部件，叫J公司吧），有一次要将样品寄到印度孟买。我刚出学校，什么都不懂，为了给公司省钱，选择了最便宜的邮政海运。过了一两周，对方还没有收到样品，多次催促。我只好选择另一家叫TNT的快递公司走空运，重新寄送，结果没几天就收到了，顺利进入测试流程。

为了给公司挽回损失，我后来还多次去邮政询问样品送达进展，结果不得而知。现在，我依然不知道那批样品漂到哪了。不过，我确信：如果AI来了之后那批样品要再送一次，远在孟买的客户还是要等。物流周期依然还在，并没有因为AI来了就消失。

亚马逊的老板贝索斯在2007年谈到零售的“什么不会变”时，答案是：低价、快和选择多。这些都是面向消费者客户的。我将这个问题延伸到供应链领域，供应链的不变量是什么？

供应链本质上是社会分工的结果。这种分工带来了效率，也带来了等待、协调和依赖的成本。只要分工还在，这些成本就不会消失，技术进步改变的是具体的数值，成本项目会一直存在。正如上面寄样品，从海运换成空运，等待周期变短了，但等待本身会一直在。

现在探讨供应链的不变量，我觉得时机刚好。一方面，AI来了之后，确实让“看见和计算”变得更可得、更便宜了；另一方面，大家对供应链的不变量和伪不变量存在认知偏差，乃至带来损失。从大供应链视野看，其中有两种最贵的认知偏差：

偏差一：把不变量当成技术能消灭的东西。比如：有了实时可视，就以为不用库存了；预测更准了，就以为不用安全库存了；智能体可以自动下单，就以为不用人拍板了……
偏差二：把伪不变量当真。伪不变量看起来不会变，实际会变，其实就是数值，用数据治理的话说，叫属性的值，比如：采购提前期写死在系统里却经年不动；以为供应链瓶颈永远在同一个环节……

我觉得要识别供应链的不变量，需要过五个“准入”标准，简称五关：

有机制：说得出背后的机制，不只是口号。
有时间穿透力：过去20年成立，未来20年仍有理由成立。
有技术穿透力：不因技术进步而消失，变的只是数值。
有边界：说得出它在什么场景下失效。
有代价：忽略它，会有损失。

按这些标准，我们平常在行业会议上听到的一些观点理论，就归不到供应链的不变量清单里，如“库存是万恶之源”“零库存”，这些说不出边界，过不了第4关。

过去多年，我先后在供应链上四个位置的四家企业一线实践（供应方，给家电品牌供应核心零部件；制造方，替电脑品牌代工生产；品牌方，定义产品；采购方，在一家制造企业集团采购中心），一路撞见的不变量，按上面五关过一遍，共整理出14条，一个起点加三组：第1条是起点，讲链为客户而动；第2到7条讲物和信息，第8到11条讲账和利益，第12到14条讲人。

当然了，五关只是一道筛子，不是证明，这份清单也有可能随反例而修订。

我觉得这个话题适合所有供应链从业同行一起思考，尤其是负责把AI放进采购与供应链流程的同行。读完这篇，你可以带走一条用 AI 的分工：不变的写进规则，数值交给 AI 去测，拍板和担责留给人。

起点：链为客户而动（只要有客户就成立）

1. 客户按你的承诺做计划，靠谱比快更值钱

为什么：供应链存在的理由在于客户。第1条只看时间维度，质量和成本分别交给第7条和第9条。

你承诺的交期，就是客户制定计划的输入依据。承诺和实际达成之间的差异，将变成客户要额外准备的冗余，这些冗余带来的成本，最后还是会回到采购价格、采购份额和对你的信任关系上。

这里分享一条公式（推演示例，跳过不影响结论），见于供应链学者 Chopra 和 Meindl 的教科书《供应链管理：战略、规划与运作》，算的是在需求波动和交期波动互不相关的条件下，客户要为你的交期备多少安全库存。

安全库存 = 服务系数 × √（交期 × 日需求波动² + 日需求² × 交期波动²）

从公式中可以看出，交期本身只乘一次，交期波动却要平方，还要再乘日需求的平方；日需求通常比日需求的波动大得多，所以交期波动往往比交期本身的长短更影响安全库存，也就是更影响客户要准备的冗余量。

用数据举例说明，见下表，假设日需求 100 件，日需求波动 20 件：

情形	交期	交期波动（标准差）	客户要备的安全库存（以现状为 100）
现状	10 天	3 天	100
交期减半	5 天	3 天	约 99
波动减半	10 天	1.5 天	约 53
两样都减半	5 天	1.5 天	约 51
波动为 0	10 天	0	约 21

从上表数据可看出，交期从10天缩短到5天，缩短了一半，客户要备的安全库存从100变成约99，几乎没变；交期波动减一半，安全库存降到约53；两样都减半，约51，比只减波动多省2个点；波动为0时，降到约21，是原来的五分之一。开篇那批样品换成空运，快了，也稳了：海运走了一两周还不知去向，空运几天就到了。

亲历：向客户承诺的交期没做到是有代价的。这不只是信誉上的，往往也是实实在在的经济损失。

早年在制造方工作，我们给美国及全球客户交付电脑、显示器等产品，遇到产品质量、产线设备、模具、机台这些供应要素出问题时，承诺的交期就有风险；市场景气、要货迫切，我们只得将海运改为空运，以保交期，成本由公司承担，这些高昂的空运费本身就是一种惩罚。

换一个角度看，采购也是供应商的客户，当供应商承诺的交期不稳时，采购侧就不得不多备库存，这也是成本。

常见的偏差：简单地把快当成目标。我注意到行业上不少企业在定位供应链核心竞争力时，常会用到一个响亮的词：极致快反。其实这更像是口号，不是目标，因为没有着力点。其牵引的结果是团队条件反射式地奔跑，却可能丢失客户的真实需求。

快是有成本的。我认为“及时”才是供应链的目标，可以比及时略快一些，那是超预期，也只是略快，而不是过快，这里有个度的把握。

“及时”背后是一份靠谱的承诺，牵引团队去主动做需求管理，比如深入了解客户的具体要求、具体的到货时点及背景原因等，依此去组织资源、排出优先级，而不只是听对方说什么。

AI来了，常见的是用力的方向偏了：试图用 AI 把交期压得更短，而不是更准。

变的：“快”的标准在变（如7天、3天、24小时），而交期能承诺到哪一个时间节点，取决于你控制到链条上的哪一个环节。

如大家熟悉的电商玩家，京东自营的商品，库存、仓储和最后一公里派送都在它自己手里（自建物流），所以它能承诺到“到货”这个时间节点；而另几家平台模式下，库存在各个商家手里，配送由第三方快递公司承接，平台能直接控制的只到“发货”这个时间节点，再配合规则和赔付条款约束运作（如拼多多、淘宝对延迟发货的赔付）。

AI 在这里能做的，是把承诺算准：按实时的库存、产能和在途，算出每一单能承诺的到货时点，在承诺可能落空时提前预警，而不是等客户来催。

边界：及时比快更有价值，但有两种情况，快也是有价值的。一是，重要紧急需求，且客户愿意为快付费；二是，回到上面公式，括号中前面那项（交期 × 日需求波动²）占了大头时，即交期很长或需求波动很大（如间歇性需求）的场景，缩短交期明显有利于减少安全库存，且交期越长，需求预测越远越不准，需求波动可能更大。

我平时出行会优先选择地铁，因为确定性：可预期的等待时长、可预期的抵达时点。可预期就是一种稳，其本身就是价值。
你对客户的交期达成率是多少？是按你承诺的日期算，还是按客户要的日期算？

第一组：物和信息（只要有实物在流动就成立）

2. 东西要走路，走路要时间

为什么：这里主要讲提前期，我们常说的lead time。从下单到到手，中间有生产、运输、清关、检验等各个环节，每个环节都要作业时间。提前期大于零，是个不变量；提前期是多少，是个数值。提前期常在，而数值会变化。

提前期会变成两样东西，一是在途库存，参照排队论里的利特尔定律（1961年），即在途量 = 日均出货量 × 在途天数；这是个平均值，可以用来估算在途压了多少货和资金，核对供应商的说法。二是计划展望期，即你得提前多久做决策，至少要提前一个提前期；提前期越长，越要在看不清时做决策。

亲历：正如开篇讲的样品寄送，无论是走邮政海运还是TNT空运，从几周到几天的物流运送周期还是必须有的，这个逻辑至今未变，未来也不会变。东西要走路，走路要时间，路上的货也是钱。

常见的偏差：一是以为技术能消灭提前期，其实不然，虽然今天数字技术可以让货物路径全程可视，但路还是要走，走路要时间。二是把数值当成不变量。

我见过这样的采购系统，提前期要么缺失，要么数值写进系统后经年不变：把伪不变量当真，没人负责更新，没有定期审视，也没有作业流程去覆盖。

变的：AI可以按每家供应商、每颗料最近的实际交付，持续重算提前期，发现数值变了就提醒更新系统里的参数，让提前期从写死的数值变成持续测量的数值。但要提前作业这件事改不了：数值会变化甚至波动，而提前期本身不会消失。

边界：这里谈的是实物供应链，如果你是纯数字产品，没有实物，那这个提前期的概念会变弱。

借这个阅读的机会想一想：你公司系统里的采购提前期，上一次审视是多久以前？

3. 东西和账，迟早要对上

为什么：物和钱都会守恒：期初 + 新入 − 新出 = 期末。

如果对不上，就是哪次变化没有被记录进来。账可以暂时对不上物，但迟早要还。对不上的部分不会消失，而会在盘点、对账、审计、报废或其他环节暴露出来，而且通常“要还”得更多。

亲历：在制造方时，发往欧洲的货柜明明已经漂过马六甲了，但季度盘点时发现它们还躺在成品仓的账面上。这是“知识的不足”，当时我们的库存系统里没有设计在途仓，不是不想做，是不知道可以这样做。

什么时候东西和账对上，有权衡空间，前提是这事得有主人认账。早年在制造方，每月底进行关账盘点，会影响发料与生产，即停线盘点。有一次，为了满足客户需求与交期承诺，需要保持晚班生产，一位高层拍板决策：盘盈盘亏都是我的，实施动态盘点，保持晚班不停线，满足客户需求。这也是链为客户而动的一个例子。

后来去其他工厂现场时，也时而看到在制品、半成品摆在生产线边，即物料已经离开物料仓，但它们仍躺在物料仓的账面上，说明账并未随着实物发放而转移到工厂产线。这背后是一个取舍：转仓记账要人手，省掉这个环节能省下人手，代价是MRP计算和采购订单的精确度，而这个代价不容易被看见。

在采购方时，有一个挽回价格损失的例子：与供应商达成降价协议后，供应商已出库、在途未交付的订单数量，得靠人工统计，难免错漏，降价收益总有一部分落不了袋。后来重新设计了数字化方案，实现系统自动切换在途价格，降价收益才真正落袋为安。

常见的偏差：账与物两张皮，各玩各的，各说各话。认为库存和账只是仓管和供应链的事，没有提升到公司层面的管理高度。

变的：AI能让记账的速度跟上实物流动的速度，比如自动比对出入库、物流轨迹和账面，哪批货已经离仓、账还没转，当天就能发现并提醒，不必等到盘点。记账有成本（如人手和系统投入），而AI让账实一致更容易做到。

边界：守恒不会失效，但记账可能失效，即你没有及时准确去记，如晚了、错了、漏了。实物在流动变换位置，账却在原地不动。

你公司是哪个层级在审视库存？只是仓管员吗？

4. 瓶颈决定整条链的产出

为什么：我们熟悉的TOC理论（约束理论）表明供应链上总有一个环节是瓶颈。瓶颈落在具体资源上，比如机台、模具、产线、舱位、人手或其他，总有一样最紧，它决定整条链真正的产出能力，别的再快，也只能排队等候。

这里顺便介绍一下排队论里的金曼公式（1961年）：排队等候时间大致与“利用率 ÷（1 − 利用率）”成正比。用数据说明，当利用率是 80% 时这个系数是 4，90% 时是 9，95% 时是 19，资源越接近满负荷，排队等候时间就越不成比例地变长。

亲历：在制造方时，供应链的瓶颈管理是日常工作的重点，从模具、机台、物料供应能力等，各种瓶颈都遇到过，并且往复循环移动，总有一个瓶颈在。

在品牌方时，芯片供应高度依赖于晶圆厂的产能分配。我们基本上提前4-6个月下需求锁定产能。这些产能池都是有上限的，排它的，给你安排了，别的客户和产品线就不会有了。

常见的偏差：一是把资源往满负荷压，以为100%满产就是最充分的利用。

对单个资源本身可能是的，但事实上，对整条链来讲，并不是最有利的事情。上面的公式数据已经表明，排队等候时间会随着利用率提高而非线性增加；而满产运行对设备及产线本身也是一大风险。

在制造方时，我们的模具长年保持“做6休1”，或至少做到“做6.5休0.5”，这个“1或0.5”是做什么的呢？是用来保养模具的。在每周的产销平衡会议上，必定有一项议题是审视工厂产能的稼动率，分“红黄绿”三个警示区间：红色是严重偏高，黄色是进入预警，绿色是舒适区。这背后的设计思路，正好符合上面的公式原理。

二是以为瓶颈产能可以逼出来。

估计你我都做过这类事情，当需求紧急又遇到供应瓶颈时，总觉得供应侧“有保留实力”，俗称buffer。然后就去逼那个瓶颈，如上面模具产能，在制造方时，当我们了解到每周要停半天到一天保养机台和模具时，觉得停下来不生产时间浪费了多可惜，然后就“下令”：“不准停模，继续生产”，以为自己真的能逼出来。最后的结果是，模具崩了，花了一周多的时间才把模具修好，这是因小失大，浪费了更多的生产时间，后来我还暗自庆幸：幸好模具能修好，否则就玩大了。

结论就是，产能没有逼出来，还浪费了更多生产时间。

变的：一是瓶颈会变化，模具、机台、产线、物料供应、人手等，每一样都有可能变成新的瓶颈；产能富余时，瓶颈还会转到客户需求一侧，最紧的成了订单。

二是，AI来了，发现瓶颈在哪、向哪里移动，会更快、更准，比如持续读取各工序的产出和排队数据，算出哪个环节的利用率先逼近红线，提前预警。

边界：实体供应链的产能扩张与资源获取有时间周期，短期内瓶颈资源的供应上限是硬的。当资源供应能力能按需、低时延、低成本地获取与调节时，供应能力上限会变得有弹性，代价也会变小。

管理学家高德拉特在《目标》（1984）里说，瓶颈上损失一小时，就是整个系统损失一小时；在非瓶颈上省下的一小时，什么也没省下。
你现在手上的供应链业务，瓶颈在哪个环节？

5. 波动不会自动消失，只能用库存、产能或时间去吸收

为什么：在过往供应链实践中，无论是供应链计划、采购还是生产等哪个领域，我们有一些使用频率很高的词汇，如旺季、淡季、削峰填谷、长单、急单、安全库存、呆滞库存、波峰、波谷……它们都指向一个供应链现象：波动。

波动不会自动消失，只能被吸收。正如运营管理学者霍普和斯皮尔曼在《工厂物理学》（1996）里讲到的波动缓冲律：生产系统里的波动，一定会被库存、产能、时间三者之一或某种组合吸收。

亲历：在采购方推动降库存的那几年，正赶上行业供大于求，工厂的产能有富余。库存降下来以后，吸收市场波动的手段，就从库存缓冲换成了产能缓冲。

品牌方和制造方，则把缓冲放在离市场更近的地方。品牌方在全球主要经济体建了多个供应中心，除了库存周转，还做仓储轻加工；制造方在各大洲建了不少hub仓，还有自己的物流公司，统筹调度运力，支撑集团“两地研发、三区设计制造、全球组装交货”的经营战略落地。终端市场的剧烈波动，就由这些离市场近的库存、运力和轻加工能力来吸收。

常见的偏差：一是对库存的极端看法，认为库存能治百病，能吸收所有波动。

二是以为库存都是宝贝。其实库存不必然都是资产，至少可以分为两类：健康的和不健康的。只有健康的库存才是缓冲，不健康的库存其实是“负债”，需要果断处理，否则可能成为压倒公司的“最后一根稻草”。

变的：能预测到的波动，可以用计划去主动承接（如提前排产、提前备料），不能预测的那部分，才需要额外缓冲。AI 的作用，是把一部分原来预测不到的波动，变成预测得到的波动，需要额外准备的缓冲就少了；AI 也能帮你算清，同样的波动放在库存、产能还是时间上，哪种组合成本更低。

在品牌方时，我们在S&OP计划运作中会制定各种计划策略，如关键器件储备、安全库存、长单、独立需求、独立储备等等，这些策略都会通过采购落实，其本质都是缓冲。

各种缓冲组合比例和成本是可变的，但波动总要有去处：要么放库存、要么留产能、要么让客户等，或它们的某种组合；不主动选，波动也会自己找去处：缺货（让客户等，或丢单），或者呆料（被动压下的库存）。

边界：无波动的供需几乎不存在，计划冻结期能让一段时间看起来稳定，其实是把波动转移到冻结期以外。

你公司主要靠哪种手段吸收波动？是一种，还是几种的组合？

6. 预测总不准，越远越不准，合起来比分开准

为什么：记得2008年的贺岁片《非诚勿扰》最后一个镜头：葛优站在邮轮甲板上，双手举着望远镜看向茫茫大海深处，一旁的范伟凑上前问：“看什么呢？”葛优回道：“未来！”

预测就是看未来，是对未来的猜测，是一个概率游戏。而预测误差是它的属性之一，是去不掉的部分，并且时间跨度越长，误差就越大。

亲历：在品牌方做计划时，一款产品成了爆品，市场需求远超立项时预测的总量，产品的生命周期也远超原来预测的时间（这款产品在第10、12、13条还会出现）。我们在供应分配规范里，会看各地区部提前一个月、三个月、五个月报了多少预测，因为越远越不准，越早预测难度越大，但对长周期的产能和关键器件准备也越有价值。

芯片要提前4-6个月锁产能（见第4条），预测又总不准，我们的办法是通过研发DFSC（面向供应链的设计）策略与归一化设计，尽量让各产品共用同一颗芯片，合起来看需求，以此对冲预测不准导致的呆滞风险。

常见的偏差：只考核总体的预测准确率，不往下考核到细项（如每个SKU、每颗料），结果是指标数据好看，具体物料要么缺货要么呆料，落入大家常说的“要的东西没有，不要的东西库存一堆”局面。

合起来预测更准，不说明我们的预测水平变高了，那是细项的误差相互抵消的结果。

库存管理里有个“风险汇集”原理（运营管理学者 Eppen 1979 年的研究），以一个算例说明（假设数字）：

两款产品各预测 1000，误差各约 ±300；误差互不相关时，合起来 2000、误差约 ±424，相对误差从 30% 降到约 21%；两款一起涨一起跌时，误差是 ±600，一点没降。

变的：AI能提高预测的准确度，它能纠正系统性的偏差（比如某个地区总是多报），也能把一颗料被多少产品、业务共用汇总出来，让共用能见度提高。但随机的那部分误差降不到零，好的预测要给误差留出位置。

边界：一是各细项一起涨、一起跌时，“合起来更准”会失效，二是已经用订单锁量的部分，因为这已不是预测了。

你公司的预测准确率，是只算总的，还是会分解到下面的SKU去评估？

7. 问题越晚发现，代价越大

为什么：供应链实物往下游流动，每向前走一步，经过的工序、附加价值、牵涉的客户就多一层。

越晚代价越大，有三层原因。一是物理层面，越往前走，经过的工序和附加价值就一路累积，越到后面返工代价越高；二是信息层面，一路累积，范围持续扩散，排查范围也跟着变大，当不能准确定位问题时，如不知道哪几台有问题，就只能全面排查，如能准确追溯到每一台、每一柜，排查范围就能缩小；三是重复累积，一个错误决策按周期重复执行，发现得越晚，付出代价的次数越多。

亲历：

在制造方发生的三个案例：

显示器后盖混料：一家印度客户和一家日本客户的显示器后盖，是共用一套模具的产品，只是标志不同。产线把印度客户的后盖错装到了日本客户的产品上，这是混料。我们虚心接受客诉，在当地安排返工；工厂和仓库的存货全部拉回产线作开箱检查，最后发现两台混料，但每一台都得开箱过一遍。这是一次劳民伤财的返工作业。
误发欧洲的货：在那个激情燃烧的岁月，从香港过来的货柜车塞满了整个园区，一派热火朝天、车水马龙的景象，码头操作忙忙碌碌，应接不暇。一批本应发往美国的货装到发往欧洲的货柜了，偏偏忙中出漏，检查环节没卡住，结果错发往欧洲，导致后面的物流、报关、客户交期协调等全部环节重来一次，这也是一次劳民伤财的补救行动。
“美三军”（美国 DIY 市场）的快递纸箱：用昂贵的FedEx快递体积偌大的电脑纸箱，这是美国方面收到周期账单后，才发现快递方式不划算的错误决策，虽调整了后续运输方案，但已经产生的快递费是必须支付的（详见《智链解构力之二：TCO 算是算了，拍板时为什么还看报价单？》）。

常见的偏差：认为质量只是品管部门的事；默许将品质隐患或问题流入下游。

变的：AI的应用有助于更早发现问题、缩小排查范围，比如用视觉检测在装配时比对后盖的标志，在出货前比对柜号和目的地；有了逐台、逐柜的追溯数据，出了问题也能很快定位到是哪几台、哪几柜。

边界：软件产品可以远程修复，越晚越贵效应有可能变弱；汽车这类带软件的实物产品，一部分缺陷也能远程升级修好，但硬件本身的缺陷不会。

质量管理专家克劳士比在《质量免费》（1979）里说，质量本身不花钱，花钱的是没有第一次就把事情做对：返工、报废、售后。从经济上看，“第一次就把事情做对”是理性的选择。
你最近一次“问题越晚发现，代价越大”的案例是什么？代价如何？

第二组：账和利益（只要链上不止一个利益主体就成立）

8. 各算各账，整条链少赚

为什么：链上各方各算各账（如每个部门、每家企业），以自身利益优先，局部最优，加起来往往不是整体最优；层层加价之下，整条链可能更少卖更少赚。

举一个假设的例子：市场需求是“价格 = 100 − 销量”，每件生产成本 20 元。一家公司从生产做到零售，自己定价，卖 40 件、每件 60 元，赚 1600 元；拆成厂家和零售商各算各的账，厂家批发价定 60 元，零售商卖 20 件、每件 80 元，零售商赚 400 元，厂家赚 800 元，合计 1200 元。少赚的 400 元，就是本可以多出来的那一块；顾客每件多付了 20 元，买到的东西也少了一半。

美国经济学家斯彭格勒（Joseph Spengler）1950 年就讲过这个现象，后来被称为“双重加价”：上下游各加一道价，最后的售价比一家公司统一定价时更高，卖得更少，整条链也赚得更少。

整体大于局部之和，说的是良好协调后的潜力，这个潜力不会自己出现，需要有人把账合起来，并能把好处分下去。

多出来的那一块，只要分得好，可以让每一方都不比原来差。可见，这个能合起来算的角色很重要：在公司内部，它可能是老板或授权的组织；在企业之间，就是链主企业了。

亲历：在制造方时，我同时汇报给销售和供应链两条线，两边的账并不总是一样，当销售总与全球供应链总还谈不拢时，就继续向上，请最高决策领导仲裁，我们以“产销协同（会议）、（销售/供应链/经管等）数据支撑、人来拍板”的机制实现整体与局部及个人的利益平衡。这个最高决策领导就是那个“合起来算”的人。

在《智链解构力之二》里，我提到过一个采购数据可视化项目：各业务单元的数据在线合并以后，才发现统计口径与定义不一致，业务习惯于“一直都是这样做”。口径不一，账就合不起来：要“合起来算”，先得有同一把尺子。后来通过数据治理，推进口径统一。

在企业内部，有这样一个能“合起来算”的角色或机制，很有必要。

常见的偏差：算出 TCO数字就以为TCO会自然落地，事实上，账仍各算各的，整条链并不必然会最优。

变的：AI来了，账算得越来越清楚，它能把整条链的成本、库存和利润合起来算一遍，让局部和整体的差距看得见、算得出是多少；但改不了每个人按自己的账行事，看见了差距，还要有人合起来算、分下去。

边界：垂直一体化的企业，或签了收益共享类合同的上下游玩家，差距会缩小。收益共享合同能让各玩家按整条链最优来订货、谈利润分成。两位供应链学者 Cachon 和 Lariviere 2005 年专门研究过这类合同，以美国的录像带租赁业为例：它适用的面很广，但当销售方要花力气推着去卖货时，它就可能失效了。

能合起来算的，是企业内部和上下游之间；同行之间商定价格，是《反垄断法》原则上禁止的垄断协议。上下游之间也有红线：收益共享、回购这类合同本身不违法，但固定下游的转售价格，或限定它的最低转售价格，同样是原则上禁止的垄断协议。2013 年，茅台因限定经销商最低售价，被罚 2.47 亿元。

你的业务中，有没有站在整条链上“合起来算”的角色或安排？

9. 又快、又省、又稳，不能白得

为什么：要快就需要有冗余（如库存、产能、运力等），要省就得压缩冗余（如现货、闲置产能等），要稳就要有备份（如安全库存、第二供应源等），三者维度互相拉扯，互不相让，难于同时兼得。在同等条件下（如投入、网络等），只能按产品和客户的不同优先级取舍。

尤其说明一下对“稳”的理解：日常的稳是可靠，就是第1条说的靠谱，即承诺有效、交付及时；异常时的稳指韧性，如中断的可恢复性、损失挽救的有效性。

正如沃顿商学院教授费舍尔（Marshall Fisher）1997 年在《哈佛商业评论》的文章（What Is the Right Supply Chain for Your Product?）里讲的：功能型产品（需求稳定、生命周期长、利润薄）配效率型供应链；创新型产品（需求难料、生命周期短、利润高）配响应型供应链；很多公司的供应链问题在于配错了。

费舍尔分的是效率（省）和响应（快）两类；结合我之前的实践观察，再加上“稳”，大致是这样：标准件慎备货、走海运（省），新品和急单走快递或空运、备现货（快），关键器件多源供应（稳）。

亲历：在制造方负责“美三军”交付时，我们设计的那套运输方式评估模板，实质也是把时间（快）和成本（省）摆出来让客户选择（详见《智链解构力之二》）。

常见的偏差：把“快省稳”看作理所当然同时可获得的目标。同样的投入，仅能在三者之间做到某种程度的组合。

变的：AI有机会把取舍算得更清楚、组合选得更好，比如按每个订单的利润、客户的优先级和各种运输方式的时间与成本，给出该走海运还是空运的建议；但三样不能白得，组合还是在的。

边界：技术进步有可能同时改善其中几项，但技术本身也要投入，往往还是早期的投入。

案例观察：
京东从 2007 年起自建物流，被说是烧钱，京东物流的净利润到 2023 年才转正；菜鸟 2013 年定下“国内 24 小时、全球 72 小时必达”目标，2017 年阿里宣布未来五年再投 1000 亿元；亚马逊让客户以会员费为“快”付钱。谁摊投入、投了多少年，这正是取舍。
淘宝、拼多多以平台模式换来多和省，交付的稳交给商家和第三方快递。没有谁能白得三样，只是选择了不同的位置。
你的业务里，快、省、稳三样，现在优先的是哪一样？

10. 风险和资金占用，能减少，剩下的总有人承担

为什么：供应链上的风险（如缺货、中断、库存跌价等）和资金占用（如库存、账期），通过管理协调有机会减少，而管理协调本身是有成本的；剩下的部分，要么自己扛，要么在上下游之间转移、分散，或者买保险。

亲历：在供应方时，公司作为向国内外主流家电品牌供货的小供应商，账期牢牢握在品牌客户手里，常常需要花大力气去催货款，资金占用压力落在我们身上。

在品牌方时，我负责的那款爆品（见第6条）收尾时，有一颗关键芯片成了呆料，产品末期也有一定的跌价风险，这些损失风险均由计划统筹计提，按规则由项目吸收，并没有往上下游合作方转移。

在采购方时，我曾给采购团队多次推讲一个公式：现金周转天数 = 存货周转天数 + 应收账款周转天数 − 应付账款周转天数，这本是一个通识类的公式，目的是提升大家对账期管理与公司现金流关系重要性的意识。

从公式中可以看出，买方的应付账款，就是卖方的应收账款，买方把账期拉长，资金占用推到了上游，上游往往更小、融资更贵，这部分成本最后可能又回到价格里。压账期，在一家公司的账上是少占了资金，在整条链上，资金成本未必会省下来。

常见的偏差：把风险与资金压力转移到上游合作伙伴，就以为风险消失了（如压价格、延账期）；推动物料共用以产生规模效应，却忽略供应风险也相应集中。

变的：AI能更早看见风险在哪个节点，比如持续盯住供应商的交付、财务和舆情信号，算出一旦中断会影响哪些产品和订单，并比较备份、保险、金融等对策的成本；但风险不会因此凭空消失，剩下的总有人承担。

边界：风险可以被分散或转移，前提是有承接方且接得住。

共用导致风险集中：研发“归一化”设计，扩大共用件覆盖率，是行业普遍在推动的事情，但共用设计提升供应弹性与采购规模效应的同时，也增加了集中风险，如一个共用件出事，所有用它的产品一起出事。放到整个行业也一样，只是共用的换成了同一家供应商，如高田安全气囊的召回，仅在美国就涉及约 6700 万个气囊、19 家车企（来自：美国国家公路交通安全管理局）。
你公司压给上游的账期，最后有没有以别的方式回到价格里？

11. 谁的不可替代性强，谁说了算

为什么：相互依赖程度不对等，就会产生权力势能差，权力源自对方的依赖。一方的不可替代性更强，另一方就更需要它，它的话语权就越大。这是供应链上下游关系的逻辑。

亲历：如上面第10条提到的，供应方J 公司虽然供应核心零部件，但毕竟规模小，影响力有限，对国内外品牌客户依赖深，各个环节如审厂节奏、账期管理、价格谈判都把握在品牌客户手里，自己处于供应链的从属位置。

在制造方，常常从客户份额的波动中看到这种依赖与权力关系的变化。每年都有客户把份额转走或收回，多家美国、欧洲、亚洲的电脑品牌都发生过；也有一些客户离开后又回来了。这种来来去去的故事，每年都在发生，我觉得背后就是依赖在变，权力也跟着变。

那时我还兼负责面板供需与分配管理业务，正值面板业的卖方市场，面板价格总体波动向上，各方需求都很“亢奋”。从需求角度，我们每天都会收到来自供应侧各种“惊吓”，如某某供应商又跳票了、供不上、有缺口了……各种原因解释都有，如良率低了、产出没达预期、设备故障了、海关查厂了……实际的发货很可能是流向出价更高的客户了，或者留在手里待下个月卖更好价格。卖方市场里，谁手里有货谁说了算，这给面板的供应分配带来很大挑战，我们靠数据、靠利益、也靠吵。

在品牌方时，推进“一级打开，多级可视”供应商协同项目时，供应关系的力量格局（强-弱-强，强-强-弱，强-强-强）各自如何推进合作，看的也是谁依赖谁（详见《智链解构力之三：供应链出了事，你是查，还是问？》）。

无论在制造方、品牌方还是采购方，有一个关键词，是我们日常工作讨论的重点，那就是“份额”。从销售份额、采购份额，再到占客户的采购份额、占供应商的销售份额，这背后正是相互依赖度，管份额，就是管上下游的权力关系。

常见的偏差：以为数据透明可以拉平上下游关系。事实上，无论是“一级打开，多级可视”中提到的供应关系格局，还是上述“份额”管理，不可替代性仍然是决定强弱关系的底层因素，这点并不会因为数字化和AI而改变。AI能让替代方案更容易找到、比较发现更优方案，从而改变一部分依赖，但改不了“依赖产生权力”的底层逻辑。

变的：不可替代性受多重因素影响，微观如自身实力，中观如技术演进、产能变迁，宏观如地缘政治、经济周期，都可能改变相互的依赖度。权力关系的有趣之处就在于一个“变”字。

边界：当相互都离不开对方时，“谁说了算”会变成理性的合作，法律监管能限制权力边界，却改变不了它源自依赖的逻辑。

社会学家埃默森（Richard Emerson）1962 年提出“权力—依赖”理论：A 对 B 的权力，等于 B 对 A 的依赖。
你手上的业务，是你更依赖供应商，还是供应商更依赖你？

第三组：人（只要决策者有自己的利益就成立）

这里的决策者，也包括替人做事的机器，只要它在为某一方争取利益，下面三条一样成立。

12. 缺货时按报的量分，报的量就会虚高

为什么：供应短缺时，如果按各方提报的需求来分配供应，多报就能多分，提报的需求就会虚高，一层一层往上传，这也是牛鞭效应的成因之一。

亲历：还是品牌方那款爆品（见第6条），十几个地区提报需求一起加码，大地区部找公司高层要供应分配，新兴市场地区部讲增长故事还是要供应分配。我们供不应求，各方抢货热情高涨。面对各地区部的“旺盛”需求，我们制定了供应分配操作规范，将供应分配作业标准化。特别强调“有计划才有供应”，即提前报需求预测，才有供应分配，其中看三条信用记录：报得早不早、报得准不准、订单跟不跟得上。

芯片的供需管理用的是类似的思路，分配机制不一样，但有一点是一致的：有计划有供应，没有计划没有供应。计划有责任，供应有担保。这样不仅通过机制记录各方信用，同时也牵引各方提高计划能力。

常见的偏差：一方面，需求侧（如销售、市场）以为提报了需求计划就一定会有供应支撑，而当需求计划取消后又以为不用对计划负责任。

另一方面，供应侧无条件相信前方提报的需求计划，简单地拿历史提报的量去训练预测模型，学到的是虚高。

变的：合适的机制会改变人的行为。规则并不会消除多报的倾向，但会鼓励“报得早、报得准”的行为，让信用记录发挥牵引作用；但信用系数一旦拿来分货，也会被博弈。

AI 在这里有两面，一面，它能把各方历史上报的和后来实际要的对比出来，自动算出谁报得准，把信用记录做实；另一面，替人下单的 AI 如果遇到的也是按报的量分货，又只为自己那一方争取，它一样会学会多报，而且报得更快。

边界：当供应充足、能够按需供应时，多报的动机就没了。

斯坦福大学的李效良（Hau Lee）等人 1997 年总结了牛鞭效应的四个成因，其中之一就是短缺时的配给和博弈。
Cachon 等人 2007 年用美国各行业的数据检验发现，行业层面的放大并不普遍。可见放大的幅度因行业而异；而且这是行业汇总的数据，不等于单家企业没有放大。第12条只讲其中一种成因：缺货时按报的量分。
思科 2001 年计提 22.5 亿美元超额库存。据当时一位分析师的说法，网络设备行业从没应付过重复下两三次单的情形，照着高企的订单加大生产；思科自己缺料时，也加倍、三倍地订元器件。
你公司缺货时是怎么分货的？按报的量，还是按别的？

13. 有人拍板，就得有人担责

为什么：决策有风险，后果得有人担责。谁有权拍板、出了事谁担，事先没定清楚，就没人愿意拍板，该清的呆料清不掉，该做的决定一直悬着（见下面呆滞料的例子）。担责需落在人或法人身上。

亲历：回到品牌方那款爆品，实际市场需求远超立项时规划的资源，后续多次决策开发复制模、提前储备长周期关键器件；项目收尾时，提前储备的芯片因故有少量呆滞。每一次决策都少不了拍板的人，出了呆滞，也少不了拍板的人担责。

有些东西能算，却不会写进报表。每个地区部都认为自己是最重要的地区部，所以分配报表上不会给各地区按重要性设不同的权重，报表上各地区是一样重要的；真正的取舍留给计委集体决策，高层按决策权限表发表意见并担责。

在前述制造方的例子里（第8条），当销售与供应链两个部门领导意见不一、无法达成共识时，会向上申请最高领导仲裁，由仲裁者担责。

曾在一家工厂的仓库里，看到一批两年多没动的呆滞料。现场井然有序，但这些料早已没有市场需求，还占着仓储空间和管理资源。清不掉的原因可能有好几种：舍不得报废，等市场需求回潮，或者信息还没报到能拍板的人那里。说到底，处理呆滞料是一个要有人拍板、也要有人认下损失的决定。

常见的偏差：将责任甩给系统，把系统建议的数量与计划看作必然并简单执行，没人担责。

变的：AI 能把拍板的过程记下来：谁在什么时候、依据哪些数据、做了什么决定，留痕可查；也能按决策权限表，把超出权限的决定自动推给该拍板的人。AI 自动做的决定，也要在决策权限表里有一行，写清楚谁来认领。

边界：当法律开始调整机器决定的责任时，责任的落点会变，但最终还是要落在人或法人身上。比如欧盟修订后的《产品责任指令》（2024/2853），把软件（包括 AI 系统）纳入产品，产品有缺陷造成损害时主要由制造者担责，2026年12月9日以后投放市场的产品适用。但它管的是个人的人身、财产和数据损失，企业之间因为下错单、压多了库存造成的损失不在里面，仍按合同落在企业和拍板的人身上。

如果你交给机器干的活出问题了，你会担责吗？你的公司呢？

14. 信任度越高，整条链运作越便宜

为什么：信任度越高，运作摩擦系数就越低；信任度越低，运作摩擦系数就越高（如合同、审计、押金、反复核对等作业安排）。

信任是一种机制安排：靠结构（如数据规则、权责表）和互惠撑着（详见《智链解构力之三》）。

亲历：

在制造方时，有过一分钟谈完降价的故事：那时正值面板卖方市场，一家日本客户的采购负责人来访，双方还没落座，我们销售负责人问对方生意怎么样，对方略带难色表示不太好，这位销售负责人当场承诺以后的面板每片降一美金，这样谈判一分钟不到就结束了。强弱不对等时，信任往往是强者先给的；那一美金算不算信任，要看后来。后来，对方一直保持稳定的采购量；日本本土市场波动时，也宁愿按承诺计划照常下单。
在供应方时，要打入海外一家品牌家电企业的供应链，客户先发来一份调查问卷，尤其提到 DPPM（每百万个零件中的不良品数），明确表示要达到一定数值标准，才有机会进入对方供应链。即有一定能力基础，对方才会决定相信你。

常见的偏差：把信任当成唯心的态度，没看成是一种机制，没有信任记录；或者过度信任，虽有记录，但形同虚设，不去核查对比。

变的：AI能把验证信任的手段做得更多、更便宜，比如持续比对承诺和兑现，自动生成每家供应商、每个地区部的信用记录；但数据和AI无法替你守信用。

边界：一次性交易、没有下一轮的时候，双方之间的信任攒不起来，降成本只能借平台担保、第三方认证这类外部信用。信誉是一轮一轮攒起来的。

两位管理学者 Dyer 和 Chu 2003 年调查了美国、日本、韩国汽车业里 344 组供应商与整车厂的合作关系，发现最不被供应商信任的那家整车厂，采购的交易成本是最受信任那家的五倍。
你和关键供应商之间，信任靠什么撑着？有没有记录？

变的是什么

一个明显的变化趋势是：链条上看见和计算的成本变低了，即感知变便宜了（详见《智链解构力之三》）。这个趋势从数字化就开始了，AI 主要在这里接着发力。

一些亲历的例子：

在供应方：

花一成工资查DPPM含义。当年在江门初入职场，为了搞清楚DPPM是什么意思，查遍书店无果，最后花了近1个小时和相当于一成工资的电话费，向读研的同学求助这个缩写的意思，最后还是在几个可能的答案中猜测挑选了一个。今天估计几秒钟足矣。

在品牌方：

链条上各个计划环节的数据，包括市场计划的数据与信用记录，当年从系统和邮件甚至电话里一份份手工整理成表，今天已经可以持续自动生成并计算。
风险事件协同：通过一项外部风险感知服务，一次欧洲罢工的发现与告警，从人工约一天半缩短到小时级。

这些变化会带来哪些新的变？

感知变便宜之后，掌握信息本身变得不像以前那么值钱，值钱的会转到判断和担责上：从第11条延伸，谁的判断不可替代，谁的话语权就大；谁拍板，谁担责（第13条）。在未来AI条件下，这两条依然是底层逻辑。

怎么用：不变的写进规则，数值交给 AI

文章开篇的贝索斯逻辑：围绕不会变的东西去下注。

放到 AI 项目上，开头说的两种偏差，正好是两种用错 AI 的方式：偏差一，想用 AI 消灭不变量，比如以为有了 AI 就不用备库存、不用人拍板；偏差二，把数值当成不变量，比如提前期写进系统就再也不动。对着这两种偏差，我觉得 AI 项目可以这样做：

不变量写进系统的结构和规则：提前期大于零、账实守恒、瓶颈和缓冲，以及短缺时要有分配规则、拍板要有决策权限表，这些不用 AI 每次去“学”，而是写进计划模型的约束和校验规则里，AI 的任何建议都不能越过它们。
数值交给 AI 持续去测：提前期是多少、瓶颈在哪、波动多大、预测误差多大、谁报得准，这些会变，就交给 AI 持续测量、及时更新，不再写死。变化大的数值，先报人确认再写回系统：否则一遇到短缺，实测的提前期变长，系统就会自己提前、加量下单，第12条讲的虚高，就成了机器自动做的事。
拍板和担责留给人：AI 可以在规则内自动执行，但它做的每一个决定，都要有人认领。

举个例子走一遍。在采购方时，我们做采购数字化，其中一项成果是采购到付款（PTP）的自动化。这是一个数字化、自动化的项目，而同一张清单放到 AI 条件下一样适用。拿其中的采购订单自动化来说，订单从自动生成、自动审批，到自动释放给供应商，中间可以不经人手。把它对着14条过一遍，碰到的有这么几条：

第2条：订单什么时候生成，取决于系统里的提前期。提前期如果跟不上实际的交付，自动化只会把错的时点算得更快。所以提前期需要交给 AI，按实际交付持续去测，并及时更新到计划与采购系统中。
第5条：安全库存放多少、放在哪，是缓冲的选择，需要按规则来定，不能让系统自己“省”掉。这是供应链计划策略与备料策略要先定下来的事情，也是每周要检讨审视的业务重点。
第6条：需求预测总有误差，自动下单的数量要给误差留出位置；误差大的料，自动化的范围就要收一收。我们的做法是按客户类型、物料品类和订单金额等分阶段展开：先试行，平稳之后，再逐步扩大范围。
第12条：如果拿各方历史报的量去训练模型，学到的是虚高，需要用信用记录把虚高的部分识别出来。我们会记录过往每周提报的需求，以及最后实际达成的量，通过对比分析得出信用系数。这是一个持续完善的过程。记得更早期在制造方时，我们就用手工报表统计过这些数据，叫waterfall报表（把每周对同一周的预测排在一起，看它一路怎么变），不过那时还用得很浅。
第13条：自动审批也是拍板。什么品类、多大金额以内可以自动放行，超出部分要推给哪一级、哪个人，都要写进决策权限表，这样出了问题才有人认领。值得一提的是，决策权限表本身也不是一成不变的：有人拍板就得有人担责，这条不变；表里的金额上限、审批级别是数值，我们会定期审视并更新。

这样看，这张清单放到 AI 条件下，机器和人的分工就清楚了：不变的写进规则，数值交给 AI 去测，拍板和担责留给人。以后遇到一个新的 AI 项目，也可以先对着这张清单过一遍，看它碰到了哪几条。

回到那批样品

回到开头那批样品。如果今天再寄一次，路还是要走，孟买的客户还是要等；不同的是，今天能看见它走到了哪里，不会再像当年那样，漂到哪了都不知道。

我一直认为，供应链是社会分工的结果，分工还在，等待、协调和依赖就都在，AI 来了也一样。AI 改变的是信息的处理方式，以及一部分决策的做法：规则之内、可以重复的决定，可以交给机器去做；要在各方利益之间取舍、出了事要有人担责的决定，仍然要人来拍板（第13条）。人、权力、信任在这个协作故事中的底层逻辑，也没有变。

我也一直认为，信任支撑下的供应链运作成本最低，当然信任也需要相应的结构安排。如果多级供应商协同的挑战，主要是信息成本造成的，AI 会把这个成本向上游击穿；但如果是上游伙伴不愿意配合，这个协同就没法落地，因为那是人的事，不是信息的事。

我在供应链的四个位置上撞见了上面14条不变量，这是V1.0版本。文中的亲历都来自制造业的实物供应链，只是例子，背后的道理大多有公开的研究和教科书可查，文中已注明出处。如果你撞见过别的不变量，或者在你那里有哪一条不成立，欢迎告诉我。清单因此改动的，我会在下一版里注明来自谁。