成功的企业，是那些能够平衡其产品和服务的需求与供给的企业。这似乎显而易见，而且一直都是如此。.

“IBP 将战略、投资组合、需求、供应和财务整合为一份统一的业务计划，由高层管理团队负责，通过一个以异常情况为重点的月度重新规划流程，最终形成一份滚动规划期为 24 个月或更长的统一运营计划。” （奥利弗·怀特，2005） 

尽管过去20年来，该流程的目标和结构并未发生变化——从单纯平衡供需，转变为制定旨在实现最佳整体商业价值的单一综合计划——但如今这种整合的速度和质量已截然不同。. 

更加集成化的data系统凭借更强的处理能力以及人工智能工具的应用，使过去仅能作为理想目标的复杂程度如今变得可控：过去需要数周才能构建的场景，现在可以实时更新， 曾经被困在信息孤岛中的data系统如今已实现数据互通，而过去需要通过无休止的协调会议才能做出的决策，如今只需简单确认即可。.

我们观察到，整个市场中各业务部门（IBP）在人工智能（AI）的采用程度上差异显著。虽然某些领域和职能部门已经掌握了相关工具并将其应用得相当成熟，但仍有其他挑战潜伏其中且未得到妥善解决，如下表所示： 

IBP 阶段成熟度目前已付诸实践的是什么Artefact 示例
作品集评审低利用生成式人工智能整合研发和营销方面的信息，并模拟产品组合场景。.大型B2B香水行业：应用生成式人工智能（GenAI），将视觉营销概念转化为技术说明和配方检索。.
结果： 99%：投资组合交叉核对时间缩短（从数天缩短至仅20分钟），且新公式模拟的分析数量增加了35倍。.
需求审查高除了历史销售数据之外，还纳入了多种需求驱动因素（如季节性、天气、市场及商业信号）的机器学习模型。.燃气分销领域的领军企业：一个集成的AI枢纽，可整合并预测散装和瓶装液化石油气的商业需求走势。.
结果：
• 与旧模型相比，需求预测的全球MAPE降低了2%。.
• 关键商业规划错误减少了33%。.
• 处于理想供应准确度水平内的客户投资组合数量增加了4倍。.
供应回顾中高利用数字孪生和机器学习优化产能、资源分配及库存水平决策。.农业综合企业领域：针对多条生产线进行规模适配的工厂仿真器和优化模型，旨在减少损失并优化每家工厂的利润率。.
综合对账中低能够自动汇总来自不同领域的data数据的代理，以加快运营、商业和财务计划的对账进程。.零售行业：一款整合了扩张、地理营销和财务（data）数据的工具，能在几分钟内为新门店生成一份完整的可行性研究报告（此前这一过程需要三个团队协作数周才能完成）。.
高管评审低增强型商业智能（BI）支持使用自然语言探索各种场景，其输出结果会根据高管的个人情况进行调整。.消费品行业：一个贯穿多年的端到端用例实践历程，将财务、定价、运营和人力资源有机结合，证明了当用例相互连接而非各自孤立时，价值才会得到提升。.

不出所料，某个阶段越接近一个界定明确的统计问题，其采用速度就越快；而越依赖组织内部的协商，其成熟度提升的速度就越慢。.

这也指明了当前值得投资的方向。 根据该阶段对行业的重要性以及企业的成熟度，供应链和IT负责人必须对试点项目和结构性项目进行评估。例如，在一家快速消费品（FMCG）公司中，如果仅基于时间序列进行预测，就意味着远远落后于现有技术水平，且多年来一直在为竞争对手创造价值。 从另一个角度来看，对于创新步伐较快的化妆品或制药行业企业而言，尽管“产品组合审查”的成熟度较低，但投资于该领域的推进仍能带来显著的竞争优势。. 

人工智能目前仍无法解决的问题

尽管取得了显著进展，但我们也注意到，IBP 流程中仍存在一些固有的挑战，这些挑战在很大程度上仍依赖于人的判断以及对组织背景的深刻理解。. 

  • 目标设定与激励措施。. 销售、运营和财务部门往往以不同的方式衡量同一笔交易（如交易量、利润率、准时交货率），且每个部门都针对各自的KPI进行优化。 没有任何一种模型能单独解决这个问题，因为这既不是“data”问题，也不是准确率问题：这是一个治理问题，即在部门目标发生冲突时，明确决定公司应优先考虑什么。除非通过正确的基准确立这一定义，否则人工智能只会将这种冲突自动化。. 
  • 跨越组织壁垒的协作。. CPFR 和 VMI 工具已存在数十年，且仍在不断发展，但将其应用规模化——即系统性地与供应商和分销商同步计划——对巴西大多数运营而言仍遥不可及。这是一个结构性瓶颈：它不仅取决于现有技术，还取决于合同、各方之间的商业信任以及合作伙伴系统之间的兼容性。. 
  • 对模型的信任与人工智能的采用。. 即使模型在技术上具备能力，组织仍会犹豫是否将其决策权移交给模型。这种犹豫在很大程度上是合理的；产能和投资组合决策会带来代价高昂的后果，因此在没有经过验证的准确性记录之前，无法将决策权下放。 这一过程需要一个并行的验证期，让模型在接管决策权之前先证明其准确性，而不是直接从“无AI”跳到“AI掌舵”。” 

下一波趋势：从助手到统筹协调者

在需求规划和供应审查等阶段，基于人工智能的全新IBP所取得的进展，预计将继续为企业带来卓越成果，并与该流程的其他阶段日益深度融合。 虽然完全自主的供应链仍是一个远大愿景，但已有实例表明，某些智能代理能够收集市场信号和相关新闻以预测需求，自动触发优化模型，并在人工介入之前就标记出不一致之处。. 

在这种新形势下，IBP分析师的日常工作将发生深刻变革。那些过去将三分之二的时间用于整合零散的data数据、构建数据透视表、整理数据列以提取洞察——却最终只是在演示文稿中对齐那些刚制作完就已过时的表格——的从业者，其日常生活将发生翻天覆地的变化。 他们的工作重心将日益转向对代理商工作的关键性分析与核查、与供应商及客户的谈判，以及在计划中发掘机遇。这是一份更有趣、附加值更高的工作。而正是这些从数据透视表中解脱出来的分析师，将推动那些仍显滞后的阶段走向成熟。. 

由于IBP在平衡供需方面的目标保持不变，但其工具已发展到人工智能层面，因此管理者和董事在此过程中积累的知识变得更加宝贵。 人工智能远非要取代数十年的经验和情境解读，而是能够拓展这种人力资本的影响范围，使领导者能够利用它在以往受限的领域进行尝试，在每个关键阶段提升效率，并为中期构建一个更敏捷、更智能的平台奠定基础。.