在美国旧金山举行的Snowflake年度全球大会Snowflake Summit 26上，食品企业Pulmuone分享了其基于Snowflake推进供应链管理（SCM）智能化的最新进展。

Pulmuone供应链管理负责人Soon-sik Ahn在分论坛演讲中介绍了公司将AI应用于SCM的实践案例。Snowflake方面表示，与营销、销售等前台系统相比，SCM属于企业后台运营体系，在这一领域像Pulmuone这样深度引入AI的案例，无论在食品行业还是整个SCM领域都并不多见。这也是Pulmuone此次登上大会舞台的重要原因之一。

Soon-sik Ahn在会后接受韩国媒体采访时，进一步介绍了Pulmuone推进SCM智能项目的背景、实施过程、阶段性成果以及后续规划。

他表示，理解食品行业SCM的特殊性，是理解这一项目的前提。由于生鲜食品保质期短，一旦需求预测出现偏差，就很容易造成库存积压，企业后续可采取的应对手段也会迅速减少，往往只能在降价、调拨和报废之间做选择。相比电子、汽车等行业，食品一旦卖不出去，报废带来的影响更为直接，因此SCM相关决策对企业盈利能力的影响也在持续上升。

随着海外法人布局扩大，供应链管理的复杂度还会进一步提升。Soon-sik Ahn表示，需求分析、库存风险、供应计划、盈利能力评估和情景分析等能力主要集中在总部，海外本地团队很难持续获得同等水平的专业支持，加上时差因素，协同效率也会受到影响。在Pulmuone看来，相较于依赖人工支持，AI智能体更有可能成为解决方案，因为其可以24小时响应本地团队的需求。

不过，项目真正落地并不轻松。Soon-sik Ahn坦言，最大的难点首先在于数据清洗。Pulmuone将SCM系统中的数据转换为AI可直接使用的数据，前后花了6个多月。他举例说，不同系统中的字段命名并不统一，同一物料编码在有的系统里写作“item”，有的写作“item_code”，还有的写作“IMP”，甚至编码位数也不一致。如果这些基础数据不先完成标准化，AI面对同一问题就可能给出截然不同的答案。

他指出，所谓AI就绪数据，并不是简单做数据整理就能实现。如果缺少真正理解业务的人参与，效果很难达到预期。这项工作不仅需要深厚的领域知识，还要求相关人员能够与多个部门高效沟通和协调。

除了数据问题，另一个核心难题在于如何让AI真正理解公司的业务逻辑。Soon-sik Ahn表示，项目初期团队先搭建了SCM智能体，并交由一线团队试用，但很快收到了大量“答案不够准确”的反馈，问题的根源就在于AI缺乏足够的业务理解能力。

为解决这一问题，Pulmuone对通用SCM知识、公司内部通用业务术语以及内部报告资料进行了拆分和梳理，并据此搭建了分层知识体系。Soon-sik Ahn介绍，团队在Snowflake平台上借助基于Anthropic的知识管理体系，将行业通用知识和Pulmuone自身的业务知识分为两个层级，再接入智能体中。

他进一步表示，企业的竞争优势并不在于做到“完美预测”，而在于当计划与现实出现偏差时，能否更快、更完整地作出响应。项目的真正难点也不在于把模型接进系统，而在于如何让智能体学会按照公司的业务方式思考和判断。

在Pulmuone看来，提升智能体的分析能力同样关键。公司的目标并不只是让AI回答简单问题，而是让其输出真正具有业务价值的结果。为此，团队开始把分析逻辑直接嵌入智能体之中。

Soon-sik Ahn介绍，当系统识别到异常信号后，智能体会依次分析问题出现在什么环节、成因是什么，并判断这究竟是短期波动还是结构性问题，随后继续追溯是否与特定渠道的价格政策或产品生命周期有关。以某个SKU（Stock Keeping Unit）停产为例，系统可以通过情景分析给出剩余库存影响、生产排程变化、成本重新分摊以及整体损益变化等结果。

Pulmuone内部测试显示，在SCM场景下，AI给出的分析结果可与Snowflake中的数据实现100%一致。与此同时，数据建模改造效率也显著提升。Soon-sik Ahn表示，过去可能需要数个月才能完成的韩国、日本、美国法人全量建模改造，如今借助Snowflake编码智能体Coco，团队已能在3周内完成。

目前，Pulmuone的SCM智能项目仍在持续推进中。Soon-sik Ahn表示，现阶段的一项重要任务，是让更多一线员工了解并实际体验相关功能。从长期来看，SCM智能体将朝着“自愈”方向演进，也就是在市场出现波动时，由AI自动对计划作出调整。

不过他也强调，即便未来真正实现“自愈”，人工也很难完全退出流程。因为最终责任仍然由人承担，人会继续留在决策链条之中；但可以确定的是，AI对原有人工工作的提效作用还将持续增强。