自动化加速之际，供应链 AI 面临责任归属缺口

IDC 在最新一则关于供应链 AI 的 Google News 标题背后指出了一个尖锐矛盾：企业希望实现更快的自动化决策，但当这些决策出错时，责任归属却并不明确。

这则经 DC Velocity 发布的标题称，IDC 的一项调查发现了 AI 的“责任归属缺口”。本文撰写时，相关调查的详细内容尚未公开获取。这限制了我们对其样本、问题设置和具体结论所能作出的判断。

不过，IDC 更广泛的研究支持这一核心问题。企业正将 AI 从提供建议推进至实际运营工作流，但治理、数据质量和人工监督仍落后于部署进度。

相比许多办公室工作流，这一缺口在供应链中更为重要。一份糟糕的摘要可以在会议前修正；一次糟糕的补货决策，则可能在多家企业之间造成缺货、库存积压、错失发运或合同纠纷。

IDC 已发布的研究表明，这一转变已经开始。其对 1,967 名职能领导者的研究发现，组织平均已在 56.1% 的流程中启动了 agentic AI 项目。供应链是所考察的 13 项职能之一。

困难的问题已不再是 AI 能否辅助计划人员，而是企业能否还原一项自动化决策、识别其责任人，并在后果扩散前将其逆转。

这就形成了标题背后的真正矛盾：企业希望 AI 以机器速度行动，但责任追究仍以组织速度推进。

Google News 标题实际能够证明什么

该标题指出了一个可信的治理问题，但它并未提供足够证据，无法将其中暗示的每项调查结论都视为已获验证。

这则 Google News 条目将责任归属缺口的发现归因于 IDC，并将读者引向 DC Velocity。不过，可访问的订阅源条目仅包含标题和目标链接。

它没有公开问卷、样本量、调查日期、地理分布，或“责任归属”的精确定义。这些细节决定了一项结果是具有广泛适用性，还是仅适用于狭窄的受访者群体。

这一区别之所以重要，是因为 IDC 发布多种形式的研究。一些研究采用大型国际样本，另一些则是赞助白皮书、访谈、预测或简短调查聚焦报告。

这些形式都可以提供有价值的证据，但并不能支撑完全相同的结论。

负责任的解读应从 IDC 独立发布的内容开始。其当前的 agentic AI research 覆盖美洲、亚太地区以及欧洲、中东和非洲的 1,967 名总监级领导者。

该研究涵盖 13 项业务职能和 150 多个用例。IDC 报告称，平均已有 56.1% 的流程正在推进 agentic 项目。

这衡量的是活跃度，而非成熟度。一个项目可能从早期试验到对真实决策拥有权限的生产系统，差异很大。

IDC 还报告称，一半受访组织希望获得有关 AI 战略和路线图的战略指导。这一需求表明，许多买方仍在梳理运营模式，而部署规模却在持续扩大。

因此，已公开的数字支持的结论比标题可能暗示的更为有限。AI 的采用正在各项职能中扩散，但许多组织仍需要帮助，以决定如何对其进行治理和规模化推进。

特定 DC Velocity 条目缺乏公开方法论这一点仍然意义重大。未查看底层问题前，读者不应推断不具责任归属的系统占比，或某项经测量的失败率。

这并不是否定该报告的理由，而是应当将有力的研究线索与完整记录的研究结论区分开来。

这种区分也体现了企业在 AI 领域所需的同一责任原则。每一项重要主张都应保留其来源、背景、日期和局限。

Google News 可以迅速呈现这一事件，但无法替代对事件背后研究的验证。

供应链 AI 正从建议走向行动

当 AI 不再只是描述状况，而是开始改变订单、路线、供应商或库存头寸时，责任归属问题便会加剧。

传统分析通常向人工操作员呈现预测、预警或仪表盘。操作员决定是否采取行动，并且在审批记录中保持可见。

Agentic AI 改变了这种安排。Agent 是一种软件，能够理解目标、选择行动、使用已连接的工具，并在有限干预下持续工作。

在供应链中，这些行动可能包括更新预测、推荐供应商、加急发运、重规划货运路线或调整补货数量。每一项行动都可能影响多个系统和外部合作伙伴。

IDC 的研究说明了企业为何对此感兴趣。更快的决策可以缩短发现中断与作出响应之间的延迟。

当计划人员需要面对数千个产品地点、供应商记录、采购订单和运输事件时，这种吸引力会更强。每当条件变化，人工团队无法手动重新评估所有组合。

然而，自动化也改变了责任所在的位置。计划人员可能会批准一项例外处理，却不了解模型如何对不同方案进行排序。

模型提供商可能并不控制客户的数据或业务规则。实施合作伙伴可能配置了集成，但并不拥有由此产生的运营决策。

与此同时，企业仍需对客户、供应商、监管机构和股东负责。合同不会因为软件选择了行动而失效。

另一项由 IDC 赞助的研究说明了这一发展方向。该研究覆盖了 11 个国家、六个行业的 311 家组织。

研究发现，88% 的组织已经实施或计划试点决策智能。决策智能将数据、分析、建议、执行和学习连接在同一个运营闭环中。

研究还发现，40% 的受访者认为 AI agents 对这一转变至关重要。超过 25% 的受访者预计，agents 将在未来 18 至 24 个月内作出常规决策。

近 20% 的受访者预计，agents 将在人工监督下管理大多数决策。这些发现来自一项赞助研究，因此读者应考虑这一背景。

不过，这些数字描述了一项重要转变。组织并未将 AI 局限于聊天界面或被动预测。

它们希望系统能够从发现问题转向执行响应。这缩短了决策时间，但也可能压缩可用于审查的时间窗口。

供应链流程会放大这种风险，因为它们跨越企业边界。制造商可能依赖供应商数据、承运商更新、天气服务、客户预测以及多家软件供应商。

因此，一项自动化建议可能反映了没有任何单一参与方能够完全审查的假设。最终行动可能被记录下来，却没有保留塑造该行动的每一项输入。

当执行已实现集成，而责任仍然分散时，责任归属缺口便会出现。

真正的矛盾是自主性与可辩护控制之间的冲突

企业希望实现自主执行，但仍需要一位具名的人类责任人，能够解释、质疑并停止系统。

这是本文的核心权衡。更多人工审批可能拖慢响应，而更高自主性则可能削弱审查，并提高隐性错误的代价。

简单要求“人类参与回路”并不能解决这一矛盾。一个人可能在技术上批准了一项行动，却缺乏评估它的时间、背景信息或权限。

有意义的监督需要的不只是一个审批按钮。审查者需要获得相关数据、模型输出、业务规则、置信度水平和可选方案。

审查者还需要有权拒绝建议，而无需承担不可能完成的举证负担。否则，人工监督就会沦为仪式。

IDC 在最新 Google News 标题出现前就审视过这个问题。其 2025 年关于在供应链 AI 中使用 RACI 的报告提出，组织应如何定义自主决策等级。

RACI 为流程分配负责、问责、咨询和知情的角色。它有助于揭示多个团队参与、却无人拥有最终结果的情况。

这一框架仍然有用，因为 AI 不会仅凭获得更多权限就变得在法律或商业上可被追责。责任仍必须归属于个人和组织。

一个清晰的运营模式可以将库存结果的问责责任分配给供应链高管。计划团队则可以继续负责日常例外处理。

数据工程师将负责输入质量控制，而技术团队负责系统可用性。供应商则应对模型行为、安全性和变更通知承担有文件记录的义务。

这些分工并不能消除失败。它们能防止参与方直到造成损害的决策发生后才发现各自的角色。

IDC 更广泛的 intelligence-gap analysis 强化了这一论点。该分析称，只有 39.6% 的企业将 AI 治理视为 2026 年的首要优先事项。

IDC 还访谈了 33 家企业，发现其中 10 家将缺乏充分人工监督下对 AI 的过度依赖列为一项现实风险。

这些发现并未衡量 DC Velocity 标题中所述的特定供应链责任归属缺口。但它们表明，治理和监督仍是企业 AI 尚未解决的问题。

在这种环境下，可追溯性变得不可或缺。企业需要知道哪些数据进入了一项决策、由哪个版本的模型处理，以及哪项规则允许执行。

它还需要保留人工覆盖和下游影响的记录。缺少这些要素，调查就会变成不完整日志与机构记忆之间的较量。

一个可搜索的 AI knowledge base 可以帮助团队保存政策、决策和源材料。它无法替代交易级别的审计记录。

这一边界很重要。知识管理支持理解，而运营治理控制 agent 可以做什么。

企业需要这两个层面。没有执行力的书面政策很薄弱，而没有可理解政策的自动化控制则难以被质疑。

最强的设计会让权限与后果相匹配。低风险行动可以自动运行，而高影响决策则需要知情审查和清晰的升级机制。

糟糕的数据会让快速决策变成快速失败

一个可问责的 AI 系统必须保留其输入的来源和质量，而不仅仅是最终批准者的身份。

供应链依赖来自许多组织的数据。产品记录、供应商产能、交货期、库存余额、运输事件和客户预测通常来自不同系统。

这些记录可能采用相互冲突的标识符或更新节奏。供应商可能每周报告一次产能，而计划系统则每小时重新计算需求。

AI agent 可以比人工团队更快地处理由此产生的数据。但仅靠速度，无法让不一致的数据变得可信。

IDC 表示，企业正从以模型为中心的治理转向以数据为中心的风险管理。这一方法强调验证、数据血缘和来源可信度。

数据血缘记录信息的来源，以及其在形成决策前经历了哪些变化。没有数据血缘，企业就无法判断故障究竟源于模型、过期的数据源，还是业务规则。

这一问题会随着供应商层级增加而扩大。许多企业对直接供应商拥有详细可见性，却对分包商和上游材料供应商知之甚少。

IDC 将此称为 Tier-N 盲区。较低层级供应商发生中断时，可能要等到直接交付停止后才会暴露出来。

其供应链预测预计，到 2028 年，50% 的企业级供应链将借助商业网络实现多层级可见性。

IDC 预计，这种方法可将中断影响降低并将响应速度提升 25%。这项预测属于前瞻判断，而非已观察到的结果。

即使这一预测被证明准确，更高的可见性也会带来新的责任追究问题。合作伙伴必须就数据标准、权限、更正流程和安全责任达成一致。

智能体可能会根据供应商风险评分重新安排订单路线。此时，采购方需要知道该评分由谁生成，以及其底层证据是否仍然有效。

当智能体预测需求时，同样需要满足这一要求。用户需要了解影响结果的促销活动、天气假设、客户信号和替代因素。

不透明的决策在看起来很精确时尤其危险。针对特定订货量的建议，可能会用一个干净利落的数字掩盖不确定性。

负责任的系统应展示置信度、约束条件和关键数据缺口。它们还应区分缺失值与经核实的零值。

企业必须测试：当数据源延迟到达、系统之间出现分歧，或供应商拒绝提供信息时，智能体会如何行动。正常运行条件下的基准测试无法揭示这些失效模式。

企业还需要版本控制。供应商对模型的更新，可能在不改变周边工作流或用户界面的情况下改变推荐结果。

这会带来一个微妙的责任追究问题。即使采购方没有主动改变任何政策，一个此前获批的流程也可能开始产生不同结果。

因此，变更日志、行为测试和回滚流程应与准确率指标并列。团队必须先知道系统何时发生了变化，才能判断它是否失效。

只有当组织能够重建从源数据到业务行动的完整路径时，快速决策才具有可辩护性。

供应商和采购方不能相互推卸责任

供应链负责人仍须对已部署系统负责，但供应商必须对其提供的组件承担可衡量的义务。

责任缺口往往类似于一个合同上的循环。采购方归咎于软件，而供应商则指向客户数据、配置或实施选择。

集成商可能会指责需求不清晰。业务部门可能表示自己信任 IT，而 IT 则称业务部门批准了该使用场景。

每一种说法都可能包含部分事实。但综合起来，仍可能让受影响的客户得不到明确答案。

IDC 认为，供应商必须停止将数据就绪度视为仅由客户承担的前提条件。其AI 采用分析指出，薄弱的数据基础仍是实现可衡量回报的主要障碍。

IDC 预计，近一半由 AI 驱动的数字化用例将无法达到其 2026 年回报目标。IDC 将问题归因于收益不明确、数据质量差以及人机协作薄弱。

这一结论给双方都带来压力。采购方不能外包治理责任，供应商也不能将实施风险包装成别人的问题。

合同应界定系统边界、允许的行动、服务义务、日志记录、更新通知和事件支持，还应涵盖故障发生后获取证据的权利。

采购方需要知道供应商能否复现模型输出。采购方也需要在重大模型或政策变更进入生产环境前获得通知。

采购团队应询问系统如何处理相互冲突的输入、缺失数据和不可用的集成。标准演示很少强调这些情况。

他们还应测试管理员能否按决策类型设置审批阈值。路线建议与终止供应商合作的建议不应采用完全相同的控制措施。

当多个智能体交互时，责任归属会更加复杂。一个智能体可能监控风险，另一个修订计划，第三个则更新企业系统。

最终交易可能反映多个中间输出。每次交接都需要身份识别、授权、日志记录和明确的故障响应机制。

这种架构推动了能够执行统一政策的编排平台发展。然而，集中式编排也可能成为单一控制点和故障点。

因此，采购方必须在便利性之外评估韧性。他们需要证据证明：自己可以暂停某个智能体，而不会导致整个规划环境瘫痪。

具体的 DC Velocity 报告最终可能会更清楚地划分受访采购方与供应商的观点。在此之前，已发布的 IDC 证据支持一个更广泛的判断。

企业 AI 的发展速度快于其周边运营安排。供应商正在销售更深入的自动化能力，而采购方仍在界定所有权、升级机制和可接受的自主程度。

市场无法仅凭信任弥合这一缺口。它需要可执行的技术控制，以及与真实运营后果挂钩的合同义务。

问责数据仍未能证明什么

调查显示人们关注治理，并不能证明已部署的控制措施能在真实供应链故障中发挥作用。

调查衡量的是受访者的陈述。它们能够捕捉优先事项、计划、信心和感知到的障碍，但不会自动验证运营表现。

企业可能因为员工能够审查决策而报告存在人工监督。但这一回答几乎无法说明审查是在执行前进行，还是在发生异常后才进行。

同样，企业可能拥有 AI 政策，却没有将其映射到具体系统。治理可以存在于董事会层面，而日常自动化可能在缺乏实质性控制的情况下运行。

因此，Google News 标题背后的 IDC 调查的确切措辞至关重要。“问责”可能指高管所有权、法律责任、可审计性，或对单项决策的责任。

这些概念相互重叠，但并不能互相替代。

指定一名高管并不能保证存在可用的审计日志。详细日志也无法确定糟糕决策发生后谁必须赔偿客户。

调查的行业和地域构成同样重要。制药、汽车、零售和食品供应链面临的监管环境和风险容忍度各不相同。

大型企业可能设有小型供应商无法承担的治理办公室。在不了解样本构成的情况下，不应将其回答泛化。

赞助研究还需要多一层审慎判断。赞助并不会使研究失效，但读者应审视调查设计及赞助方的商业利益。

例如，IDC 针对 311 家组织开展的决策智能研究由 Aera Technology 赞助。其方法论和赞助关系均已公开披露。

该研究发现，83% 的受访者已经踏上 AI 转型之路。研究还将更高程度的自动化与客户满意度的报告改善联系起来。

这些发现描述的是研究中的关联性，并不能证明自动化导致了每一项改善。

最有力的证据应将调查与生产审计、事件报告、人工覆盖率和量化结果结合起来。公开研究很少提供完整的这一证据组合。

因此，企业不应将行业平均水平视为自身控制措施充分的证据。内部证据必须回答更具体的问题。

上个季度有多少自动化决策被撤销？有害行动被发现的速度有多快？哪些系统缺乏完整的数据血缘？

审查人员有多少次在未打开支持证据的情况下接受建议？有多少智能体在供应商更新后改变了行为？

这些指标揭示了纸面治理与实际治理之间的差异。

在组织更一致地披露故障之前，责任缺口仍将部分无法量化。企业有很强的动力公开效率提升，却将运营失误保密。

这种不平衡可能让自主系统显得比实际更成熟。当事件数据仍不可得时，读者应谨慎看待那些过度强调信心的说法。

缺失的方法论并不能推翻 DC Velocity 的标题。它界定了该标题目前能够证明的范围。

三个信号将显示缺口是否正在缩小

下一阶段将由审计证据、受控自主性和采购条款来评判，而不是又一波 AI 宣布。

第一个信号是完整调查方法论的发布。IDC 或 DC Velocity 应披露样本、调查日期、问题、地域和“问责”的定义。

这些信息将帮助读者区分广泛的运营发现与狭义的认知调查，也将澄清哪些供应链角色报告了这一缺口。

如果方法论显示样本具有多样性，并且针对已部署控制措施提出了具体问题，那么标题中的主张会更有说服力。关于普遍担忧的模糊问题则会削弱它。

第二个信号是部署指标的变化。企业应报告自动执行、执行前审查、人工覆盖以及执行后撤销的决策占比。

人工覆盖数据尤其有价值。极低的覆盖率可能意味着自动化表现出色，但也可能暴露出审查人员消极参与或过度信任。

事件恢复能力提供了另一项检验。组织应衡量自己识别责任系统、重建其输入并控制下游影响的速度。

第三个信号是采购和供应商行为的变化。采购方应在生产部署前要求审计访问权、更新通知、行为测试和责任矩阵。

供应商应公布更清晰的系统边界和升级流程。他们还应帮助客户测试数据故障，而不只是理想工作流。

监管机构和行业组织将影响这些条款，但企业不能等待一本通用规则手册。供应链自动化已经进入常规运营。

对开发者而言，教训很直接：当智能体能够修改运营记录时，日志记录、身份识别、权限和回滚就是产品要求。

对企业采购方而言，治理问题应属于选型流程的一部分。它们不应第一次出现在法律审查期间或事件发生之后。

知识工作者同样发挥作用。他们需要保留重要决策周围的推理过程、证据和例外情况，尤其是在 AI 协助分析时。

Google News 的标题具有价值，因为它点出了供应商常常淡化的一种冲突。更快的决策不会减少问责需求；相反，它提高了在执行前明确责任归属的必要性。

针对每一个供应链 AI 系统，都应提出一个实际问题：如果这项决策明天失败，您的组织能否在数小时内确定一名负责的责任人，并重建相关证据？

如果答案需要通过开会来决定谁负责解决问题，那么责任缺口其实早已存在。