採購主管在月會上很篤定地說：「我們照歷史數據、市場價格算，原料量抓得很準。」

疫情剛爆發那幾個月，這句話直接被現實打臉。歷史數據告訴你的，是過去發生過的事；市場價格反映的，是現在的行情。但當需求一夕之間垂直下墜，沒有任何一筆歷史資料，能告訴採購「這次會降多少、降多久」。

而變化從來不會只從一個方向來。同一段時間，塞港、貨櫃一位難求，讓原本排定的原料進不了港，交期一延再延。一邊是需求端說「不要了、少要了」，一邊是供給端說「來不了、來得晚了」，兩股力量同時發生，採購該怎麼判斷，早就不是一張歷史報表算得出來的事。

這正是AI算力真正能發揮的地方，不是取代人的判斷，是把重新計算的速度，從幾天壓縮到幾小時。但AI要能給出有用的建議，前提是要有足夠的資料可以餵——不能只看一張採購單，至少要整合這幾塊：

庫存——現有的原料、半成品、成品各存了多少，實際能撐多久，這是判斷「還有多少緩衝時間」的基礎。

生產工單——已經排定、正在進行的工單，需要用到哪些原料、什麼時候要用，讓AI知道庫存消耗的真實速度，而不是靜態地看庫存數字。

採購單——已經下出去、還在途中的訂單，數量、預計到貨日、供應商跟合約條款，這是判斷「該延、該砍、該照收」的關鍵。

供應商跟物流資訊——如果能進一步接上貨運、港口壅塞的公開資訊或供應商回報，AI才能把「這批貨可能會晚到幾週」這種供給端的風險，一併算進模型裡，而不是只看需求端在動。

這幾塊資料整合起來，AI才不是只回答「需求降了多少」，而是能給出更完整的建議：現有庫存加上在途訂單，扣掉工單實際消耗速度，還能撐幾週；哪些原料同時面臨「需求降低」跟「到貨延遲」的雙重壓力，該優先處理；哪些在途採購單，考量違約成本後，延後比照單全收更划算；哪些品項供給風險高，該提前尋找替代供應商，而不是等到真的斷料才反應。

但AI能算得再快，如果平時的供應鏈政策本身就沒有留餘地，算出來的答案，往往也只是「無解」兩個字。

真正能撐過劇烈變動的企業，靠的不是事到臨頭才啟動的應變能力，是平時就佈好的供應鏈彈性——原料不押注在單一地區的單一供應商上，而是分散到不同地區、不同供應商，讓某一個節點出狀況時，還有別的路可以走。這件事，光靠採購一個單位做不到，需要生產、研發同步作業：研發在設計階段，就該把「這個料號有沒有替代規格可用」納入考量，而不是等到缺料了才臨時找替代品，發現規格不相容、認證流程來不及；生產端則要清楚知道，哪些替代料實際上線可行、良率跟原本的料差多少，這些資訊平常沒有被整理起來，真正需要切換的那一刻，往往是手忙腳亂重新摸索。

這也是為什麼，供應鏈韌性從來不是採購一個部門的績效指標，是跨部門一起佈局出來的結果——分散採購的政策，讓AI在計算「哪個供應商的貨到不了」時，手上有别的選項可以推薦，而不是算出風險卻無路可退；替代料的資料庫，讓AI在建議「調整原料配比」時，有實際可行的方案可以提出，而不是紙上談兵。平時把這些選項準備好，AI才有東西可以「算」；平時什麼都沒準備，AI再快，也只能告訴你事情有多糟。

疫情終究會過去，塞港的狀況也會緩解，但需求端跟供給端同時劇烈變動的情境，不會就此消失。真正該問的，不是「這次算準了沒有」，是下一次類似的衝擊來臨時，企業手上有沒有足夠、串得起來的資料，還有沒有平時就佈好的彈性，讓自己在數字失效的第一時間，不只算得出答案，還有路可以走——讓整間公司的利益，在劇烈變動中，仍然是最大化的那一個。