“系统明明有料，计划都排好了，实际没料。”亿咖通全球信息技术中心数字化产品经理孙迪用一个供应链常见场景开场。2025年2月的一张紧急工单把问题摊开：客户催得急，物料计划在系统里显示齐套，仓库却打电话说一款关键料账上有数、库位上没货。接下来30分钟，全组打电话、翻群聊、查系统，最后拼出来的不是物料清单，而是整条供应链的“盲区地图”。
仓库说按实物发货，采购说按计划买，计划说按预测排，每个人都没有错，问题是他们之间没有一条实时对齐的链路。亿咖通已经部署SAP等传统ERP，但系统功能固定、定制周期长、成本高；日常预测、排产、缺料计算大量依赖线下Excel或在线文档，数据规格不统一，变更靠人工拉群传递。一旦某个环节的变更没有触达所有人，版本不一致就会引发事故。更隐蔽的是管理上的“信息黑洞”：一线往往等到问题包不住才上报，等领导层知晓时损失已经造成。
不买新系统，先搭一座桥
亿咖通没有选择再买一套商业系统。团队基于飞书aPaaS、多维表格和Aily智能体平台，在现有ERP系统之间搭起一套端到端的供应链协同平台。方案的核心逻辑只有两条：让信息“往前走”，让结果“往回走”。前者指客户的预测、需求、计划能快速准确传到后端，不再靠人反复确认；后者指生产结果、库存变化、交付情况能反向验证和修正前端预测模型。
这套设计把智能体放在流程的连接处，而不是另起一个孤立的AI入口。ERP继续承担账务和主数据职责，智能体负责跨系统的信息对齐、异常发现和建议生成。对企业来说，这比推翻重来更现实：既有系统不动，先用一个协同层把断点补上。
预测智能体：AI先跑一遍，人做最后判断
以需求预测为例。过去客户给一个数字，销售凭经验判断，信息来源多、口径不一致，预测与实际交付经常出现大偏差。现在亿咖通让AI先跑一遍：采集市场真实销售数据，叠加信号解读、预测建模、场景推演、评审校验，最终输出决策建议，人只做最后一下判断。更关键的是，这是一套持续精进的学习系统——每个月实际交付数据都会反向修正模型，下个月预测就更准一点。
经过7个月数据回测，整体预测准确率从原来的75%左右提升到91.5%，超额备货的积压风险降低22.61%，数据分析和计算成本降低约90%。这三个指标分别对应预测质量、库存风险和运营成本，说明收益不是单点的“报表好看”，而是进入了经营账本。
库存助手“拿铁”：让问题自己浮出来
预测准了，库存能否接得住是下一道题。亿咖通用AI助手“拿铁”把前端预测结果与库存实时对齐，每一个物料的库存水位、周转状态、呆滞风险、缺料情况都能看到。更重要的是它会主动说话：每天早上告诉团队哪些料有缺口、哪些工单有风险、下一步应该做什么。孙迪的总结是，“不是人去找问题，是问题自己浮出来”。
闭环跑通后，亿咖通库存周转天数从65天降到27天，上亿资金从仓库释放；端到端协同效率提升90%；信息化建设成本降低70%以上。系统覆盖亚太五个业务中心、320个日活用户，覆盖90%的目标用户。下一步，团队希望把AI工具和信息向上游供应商、下游客户延伸：供应商能实时看到缺料情况，客户能更精准地传递需求信号，产业链效率再上一个台阶。
这类智能体难在哪
难点不在生成一段预测文字，而在三件事：数据口径统一、预测结果能回写、异常能触发责任动作。亿咖通的做法是用多维表格做数据中枢、用智能体做解释与建议、用工作流把建议送到人面前。企业如果只买一个模型接口，不解决主数据、版本和权限，智能体很快会退化成另一个聊天窗口。
另一个可复用点是“人在最后一下判断”。预测、排产、缺料这类决策带有经营责任，AI可以承担计算和推演，但不能替代责任归属。把人的判断点设计清楚，反而更容易让一线愿意用、敢于用。
资料来源：环球产业对话：AI Agent“入职”中国制造从供应链“救火”到产线“安心” — 环球网（2026-04-23）。本文为技术要点整理，非原文全文。