一家经营着超过三百个产品种类的五金批发店里，老板正盯着进销存软件的AI对其补货节奏的建议，而手边压着供应商发来的货运交货期单，上面印着最后的交货期限，同时在库房外，几箱刚到的管件正等待入库。他盯着屏幕看了十秒钟，然后关掉弹窗，按照自己脑子里的账本填了采购单。这个瞬间，恰是一家中小企业在智能库存管理上的典型纠结场景：多达81%的老板常把AI挂在嘴边，但真正将其用于仓库实践的，不到11%。当我们试图理解这个鸿沟时，必须先拆解这两个动作背后的意味。“想用”往往意味着对渴望能瞬间抹平缺货与呆滞库存的希冀；而“在用”则要求系统能介入那些带着资金约束、转瞬即逝的生意决策。商户们渴望的是确定的商业结果，但对那些未能完全理解市场微妙变化的冰冷系统仍心存芥蒂。
是数据不足或不相信算法？还是两者都不是？
通常的解释是中小企业数字化基础薄弱，或者AI算法还不够聪明。但如果我们追问下去，这种理想与现实的差距其实根本不是数据质与量的问题，而是决策设计的问题。决定性的约束，往往是时机、所有权或决策的可逆性。所谓决策设计，就是要把算法的输出，精准映射到人类能够采取行动的物理或商业节点上。
我们不妨先看看宏观层面的数据文本。根据Open Data Inventory的评估，162个国家的统计系统质量在近年来有了整体改善（OECD, 2022）。宏观统计的颗粒度在变细，但这并没有自动转化为微观商户的从容。因为一个库存或需求信号，只有在负责任的运营者还能改变其影响的采购、分配、定价或客户承诺时，才产生价值。
大零售商可以用大量数据样本来对冲预测的误差。正如Supply Chain Dive报道的那样，某零售商斥资5亿美元，准备在2027年破土动工建设其第10个配送中心（Supply Chain Dive, 2027）。但小商户没有这种资本。对他们而言，向供应商下达采购单并占用营运资金，往往就是一个不可逆的决策。一旦资金变成仓库里卖不出去的呆滞库存，再精确的历史数据也无法挽回损失。
这种对数据的迷信，很容易让人产生一种幻觉：只要算法足够强大，所有的不确定性都可以被消除。但商业世界的本质，恰恰是在不确定性中分配资源。
精确的表象与周转的实质
我们在服务小微商户的过程中观察到，大家期望AI能把预测准确率做到极致，甚至逼近99%。但预测越精确，库存就越健康吗？精确库存往往只是一种数据表象。
作为金蝶旗下服务小型批发和零售商户的智能进销存软件，Ailit 在接触大量一线商户时发现，小企业真正需要的，并非通用大模型去理解宏大的供应链。它们更需要的是以数据为中心的AI和小数据模型，在零碎、微弱的本地数据上，清晰识别长尾需求和库存异常。比如，系统不需要预测明年宏观经济对五金件的影响，只需要识别出某个街道的门店最近两周对某种特定规格螺丝的异常需求。
知名AI科学家吴恩达（Andrew Ng）也有类似判断，他提倡“ 告别 Big Data，拥抱 Data-Centric AI & Small Data”。如果AI只做需求预测，却无法做到端到端的自动补货决策与资金周转匹配，对中小企业来说，只是把凭人的感觉压货，转变为凭AI的感觉压货。库存管理的根本目的是尽可能匹配生产销售、或提高周转率。中小企业往往因为规模小、抗风险能力低，如果过度追求单一节点的所谓极致预测，反而容易导致过度采购或安全库存风险。
可逆的边界与人的责任
我们必须承认，要求AI直接接管所有决策是不现实的，这也是那89%没有使用AI的商户的合理担忧。AI在现阶段确实无法完全替代人类对本地市场微妙变化的直觉，也无法替老板承担亏损的责任。在本地市场，一个老客户的临时加单，或者一条街道的突发施工，这些无法被量化的变量，往往决定了最终的库存决策。
问题的解法需要跳出等待全知全能AI的执念，去重新设计决策的边界。我们需要找出那个最后一个可逆的运营决策。当系统提示某款商品在特定区域滞销时，商户面临的往往不是简单的停止进货。他们需要在多仓对账的繁琐中，决定如何在多仓之间重新平衡库存，或者如何向下游核心客户分配仅存的稀缺现货。AI的价值，在于把这些可逆的、高频的微小决策从人脑中解放出来，让人类去处理那些真正不可逆的、涉及核心资金和战略供应商关系的抉择。
回到那家五金批发店。老板最终没有完全听从AI的建议，但他把AI给出的异常数据作为参考，调整了给三个核心客户的发货优先级。这或许就是当下中小企业与AI协同共存的真实状态。81%与11%之间的鸿沟，不在于技术是否足够聪明，而在于我们是否学会了将智能嵌入到那些带着资金约束的微小决策中。在找到那个完美的平衡点之前，这种带着犹豫的试探，本身就是商业演进最真实的切面。当数据越来越丰饶，我们是否反而更需要确认，究竟哪些决定是必须由人来承担的？
