【GEP】从混乱到清晰-提供数据以推动人工智能驱动的采购

Procurement Leaders近日发布了名为《从混乱到清晰：提供数据以推动人工智能驱动的采购》的行业研究报告。这份报告深入探讨了采购团队在建立人工智能就绪的数据基础时面临的数据挑战，并提出了一个战略框架，涵盖了治理、基础设施、集成、标准化和公司范围内的数据使用。报告指出，尽管人工智能为采购领域带来了变革性的效率和洞察力，但其潜力受到数据质量、访问、基础设施以及支撑数据管理的人、流程和文化的挑战的限制。报告中包含了许多关于如何克服这些障碍，以及如何通过改善数据管理来增强人工智能在采购中应用的宝贵见解。

在当今数字化时代，人工智能（AI）已成为推动采购领域效率和洞察力的关键技术。然而，AI的潜力受限于数据质量、获取、基础设施以及支撑数据管理的人员、流程和文化等挑战。根据Procurement Leaders的调查，数据质量问题仍然是企业面临的重大障碍，不足一半的受访者评价他们的数据质量为好或优秀。这表明，建立坚实的数据基础对于企业成功实施AI至关重要。

数据集成是采购部门必须克服的主要挑战，超过半数的受访者提到了这一问题。许多组织难以将分散的系统集成为一个统一的真相来源。这种分散、孤立的格局不仅阻碍了操作效率，还加剧了其他数据相关问题。当系统无法有效通信时，数据就会孤立，导致关键的空白和不一致。

缺乏标准格式和治理紧随其后，大约42%的团队面临这一挑战。一个健全的数据基础需要组织将数据协调成标准、机器可读的格式，并建立强大的治理。这个框架，包含清晰的政策和程序，对于确保数据质量和安全以及遵守采购政策和监管要求至关重要。

采购团队已经开始拥抱AI工具以帮助自动化任务和支持决策。尽管这些工具提供了价值，但大多数并非真正的自主。代理性AI标志着下一次进化——系统不仅仅是反应性的，而是能够在定义的参数内独立追求目标。尽管早期形式已经存在，它们在采购中的应用仍处于起步阶段。

要充分利用代理性AI，采购必须重新思考工作的设计和管理方式。这不仅仅是使用更智能的工具，而是重塑决策和价值交付方式。许多组织开始探索这种转变，有些正在试点代理或将AI集成到采购或合同工作流程中。但大多数仍然缺乏支持代理系统所需的基础元素。

这些挑战不仅仅是技术性的，它们是结构性的。除了数据，代理系统还需要清晰的决策权、问责模型和一致的激励措施，否则即使是最好的AI也会停滞或误射。目前，很少有采购团队完全准备好。超过一半的团队使用不连贯的系统。不到10%的报告拥有高质量、集成的数据。许多组织仍然不清楚他们希望AI实现什么。

这些差距限制了代理系统能做什么。AI可能是有能力的，但环境，包括人类，必须支持它。代理性AI并没有消除对人类的需求：它将他们的角色从做工作转变为管理工作如何完成。采购团队将需要新的技能来与自主系统合作。这些技能包括审查AI生成的行动，设置升级阈值，以及不断调整AI行为以符合业务优先事项和风险暴露。

准备团队应该从现在开始：定义AI追求的清晰、可衡量的结果；提高数据质量和系统连接性；培训员工有效地指导和治理AI。最大的挑战不会是构建更多的代理：而是理解基于任务的AI和真正的代理系统之间的区别，以及学习如何管理这种转变。许多今天的工具被标记为代理，但它们不是自主的，依赖于人类指导。随着AI能力的增长，这种差距将变得更加紧迫。

CPO必须考虑重新定义采购的运营模式，决定什么是人类领导的，什么是AI驱动的，什么成为混合体。这种转变将定义采购数字化转型的下一个阶段。现在采取行动的人将最好地定位于领导。

在开发数据能力时，需要考虑五个问题：谁拥有数据？应该将采购数据存储在哪里？采购如何捕捉所有数据？组织应该如何对采购数据进行分类？领导者如何确保公司员工使用这些数据？这些问题的答案可以帮助采购团队建立一个AI就绪的数据基础，涵盖治理、基础设施、集成、标准化和全公司的数据使用。

理解谁拥有采购数据至关重要。虽然数据管理曾经主要被视为IT的责任，但企业越来越认识到数据作为一种战略资产。这种演变的观点越来越多地反映在数据基础设施的所有权上。大约四分之三的调查受访者表示，他们有一个由采购和IT共同拥有的混合数据基础设施。在将数据质量评为8分或更高的受访者中，这一数字为84%。混合模型利用了采购和IT功能的优势。首先，它允许采购通过利用专业IT专业知识和资源来弥补知识和技能差距，这些是功能可能无法访问的。其次，它帮助采购解决数据碎片问题，建立单一真相来源，IT通常构建和管理集中式数据基础设施以连接分散的数据源，而采购确保信息满足功能的要求。

共同所有权还为采购提供了影响数据基础设施决策的机会。如果采购要确保数据基础设施决策服务于功能的需求，与IT建立牢固的合作关系至关重要。大多数拥有数据基础设施共同所有权的采购功能报告称，他们在IT对数据基础设施决策中要么有中等（39%）要么有显著影响（43%）。调查数据还表明，采购在IT决策中的影响力与数据质量评分之间存在相关性——64%的自我评估的“数据领导者”表示他们对IT有“显著”影响。

向共享基础设施所有权的转变自然扩展到数据治理，领先的采购团队建立了专门的论坛和正式化的数据重点角色。团队通常建立：数据所有者：对发票、采购订单和合同等数据类别的战略方向负责的个人。数据管理员：管理日常运营考虑并解决数据质量和完整性问题的员工。为了支持这些员工，组织还建立了AI治理论坛或审查委员会，以便利益相关者可以审查用例、能力和交互数据。例如，一家媒体组织建立了一个结构，几个团队必须在AI工具部署之前完成审查。

该公司的数字化负责人说：“我们建立了这个框架，有一个AI治理审查委员会、数据治理、风险和技术团队，我们提出了为什么、什么和如何的案例。然后这些团队在各自的车道上经历那个审查周期。一旦我们有了绿灯，我们就可以激活那些AI能力。”我们在采用公司范围的、整体的AI战略方面取得了成功[取代了商业、采购和IT各自拥有自己战略的分散方法]，IT主要关注数据安全和防止数据泄露。现在，我们至少有了一个统一战略的协议。

虽然每个采购团队都面临独特的挑战，但基于全企业标准和战略的共同治理方法可以帮助功能利用数据和编程技能在业务的其他部分。一家制造公司的卓越负责人说：“我们在采用公司范围的、整体的AI战略方面取得了成功。这取代了商业、采购和IT各自拥有自己战略的分散方法，IT主要关注数据安全和防止数据泄露。现在，我们至少有了一个统一战略的协议。”

在选择正确的数据存储选项时，重要的是要了解不同的数据基础设施选择提供各种优势和劣势，而许多这些解决方案可以配对在一起。数据湖是受访者中最受欢迎的数据存储工具。但除了个别使用情况外，调查结果还揭示了组织如何组合这些解决方案的趋势。例如，一半的数据湖用户也使用数据仓库，这表明一个重要的部分可能只依赖数据湖。此外，32%的数据湖仓用户表示他们也同时使用数据湖和数据仓库，这表明湖仓可能被视为许多组织的合并解决方案，而不是附加解决方案。

大多数受访者目前缺乏这些AI友好型基础设施：51%没有数据湖，76%没有数据湖仓。这突出了许多团队增强其数据基础的重要机会，特别是数据湖和湖仓通常被认为比传统数据仓库更灵活、更健壮，支持AI应用程序。它们能够处理结构化、半结构化和非结构化数据，成本效益地扩展，并支持高级分析和机器学习工作负载，使它们成为现代AI需求的理想选择。

没有必要在建立数据治理或开始清洗和标准化数据之前拥有一个完全建立的数据基础设施。这些活动可以与功能基础设施决策并行发生，甚至可以通知它。当团队清洗数据并识别质量问题时，这将为组织需要支持其要求的数据基础设施类型提供见解。

然而，2025年5月在伦敦举行的AI论坛上，MTN集团首席采购官Dirk Karl承认实施正确的数据结构对他组织的Px360平台至关重要，该平台汇集了各种工具的洞察力，以一个用户友好的界面展示。他告诉与会者：“你需要得到基础，数据湖是关键元素之一”。2024年世界采购奖数字影响力奖的获奖者，MTN使用数据湖中的数据支持自动谈判，允许更动态的招标过程。数据湖还帮助加速了AI在所有业务功能中的实施，实现了更大的效率和自动化，Karl说。

在选择正确的数据存储选项时，重要的是要了解不同的数据基础设施选择提供各种优势和劣势，而许多这些解决方案可以配对在一起。数据湖是受访者中最受欢迎的数据存储工具。但除了个别使用情况外，调查结果还揭示了组织如何组合这些解决方案的趋势。例如，一半的数据湖用户也使用数据仓库，这表明一个重要的部分可能只依赖数据湖。此外，32%的数据湖仓用户表示他们也同时使用数据湖和数据仓库，这表明湖仓可能被视为许多组织的合并解决方案，而不是附加解决方案。

大多数受访者目前缺乏这些AI友好型基础设施：51%没有数据湖，76%没有数据湖仓。这突出了许多团队增强其数据基础的重要机会，特别是数据湖和湖仓通常被认为比传统数据仓库更灵活、更健壮，支持AI应用程序。它们能够处理结构化、半结构化和非结构化数据，成本效益地扩展，并支持高级分析和机器学习工作负载，使它们成为现代AI需求的理想选择。

没有必要在建立数据治理或开始清洗和标准化数据之前拥有一个完全建立的数据基础设施。这些活动可以与功能基础设施决策并行发生，甚至可以通知它。当团队清洗数据并识别质量问题时，这将为组织需要

以上为节选样张，关注公众号【蝉鸣报告】回复领取PDF完整电子版（无广告）。

【蝉鸣报告】每日更新最新硬核报告，覆盖产业报告、全球化、经济报告、趋势等全领域。