市场规模：陡峭曲线与三套口径
供应链是 2026 年 Agentic AI 落地叙事中最「陡」的垂直行业之一。汇总公开口径：
| 指标 | 2025 | 2030（预测） | 来源与口径 |
|---|---|---|---|
| 带 Agentic AI 能力的 SCM 软件支出 | 不足 20 亿美元 | 530 亿美元 | Gartner，经 SCMR 与中国经济传媒协会旗下媒体转述 |
| SCM 软件用户中采用 Agentic 功能的比例 | 5% | 60% | Gartner 预测 |
| 跨职能供应链方案中运行于智能体的比例 | 不足 5% | 50%（五年内） | Gartner，经行业汇编转述 |
| Agentic 物流细分市场规模 | 87 亿美元 | 168 亿美元 | DataM Intelligence，与 Gartner 口径不同 |
| 有正式 AI 战略的供应链组织 | 仅 23% | — | 供应链组织调研（SCMR 引述） |
| Agentic AI 项目面临取消的比例 | 到 2027 年约 40% | Gartner，经多方转述 | |
两点口径提醒。其一，Gartner 的 530 亿美元指的是「带 Agentic 能力的供应链管理软件支出」，是软件品类口径，与 DataM Intelligence 的「Agentic 物流市场」87 亿至 168 亿美元不可混用——两者相差数倍，媒体摘编常将它们并置造成误导。其二，支出曲线陡峭不等于价值兑现：同一批调研显示，采用 AI 的企业中仅 23% 有正式 AI 战略，且多数团队在自评自动化成熟度时显著高估自身位置——被追问细节后，多数实为「把 AI 当聪明搜索引擎用」，离「系统自行决策与执行」还差数级台阶。
技术形态跃迁：从「看见」到「动手」
世界经济论坛（WEF）的报告把这次跃迁讲得直白：上一代供应链 AI 是瞭望塔——发现延迟交货、标记供应商风险，然后等人拍板；Agentic AI 则被设计为在设定边界内自行行动——寻找备用供应商、改订运力、调整生产排程，常以分钟计而非以天计。麦肯锡的测算认为这类自动化可将货品销售成本（COGS）最多降低 7%，并把决策周期从数周压缩到数小时（模型测算，非实绩）。
钱正在跟随这次跃迁，但 WEF 的核心论点是一记警钟：给 AI 更多供应链控制权并不会自动让供应链更安全。如果系统建立在杂乱数据之上，或者多家企业使用相似的自动化逻辑，它们可能同时抢订同一家备用供应商、同一批运力——把短缺放大而不是缓解。赢家不会是软件最新的公司，而是先做对三件事的公司：清洗数据、打通部门handoff、预先划定「机器何时可自行行动、何时必须人来签字」的边界。
落地案例：谁在真跑
科捷物流「捷小果」：把老师傅装进智能体
2026 年 9 月末的神州控股（00861.HK）生态伙伴大会上，旗下科捷物流 CTO 张虎坡披露了这样一组业务底数：100 多个仓、每天近万个经营问题。WMS、TMS 各自处理领域内的固化问题，但库存异动、账单差异、退货异常这类跨环节疑难，「拍板答疑」的往往仍是把业务规则记在脑子里的老师傅。科捷的应对是推出企业级供应链智能体「捷小果」：把一线经验拆解、结构化，沉淀为不同岗位可调用的 AI 技能——而且因为科捷自身就是供应链企业，这套在自己仓网里打磨出的经验可以直接外溢给产业伙伴。
这个案例的样本意义在于路径：供应链企业先解决自己的问题，再把解决方案产品化输出——与软件厂商自上而下卖「Agentic SCM 套件」是两条相反的路线。目前捷小果的量化效果数据官方及行业暂未披露更多细节，后续将持续跟进迭代动态。
海外参照系
- C.H. Robinson：运行数十套智能体系统，过去一年处理数以百万计的货运任务，有记录在案的生产力增益（厂商披露口径）。
- Walmart：在库存管理与供应商谈判环节运行自动化系统，销售额增速快于库存增速——研究机构以此为「系统在创造价值而非仅增加成本」的旁证。
- 传统软件厂商的「加装」路线：SAP 为运费预订与报关加装 Joule 对话式智能体，Blue Yonder 的 Luminate 平台（约 3000 家客户）提供自主预测，Oracle 跟进内嵌式需求感知——老牌厂商普遍选择在既有产品上叠加智能体，而非重构。
「老师傅经验」为什么难以 AI 化
过去三十年的企业数字化把流程搬进了 ERP、WMS、TMS，沉淀下来的是标准流程、结构化数据和明确规则；真正难以沉淀的，是一线多年积累的「规则边界感」——知道异常如何处理、知道哪个客户的合同条款怎么解读。把「经验」放进 AI，难点有三：
- 上传制度文件不等于沉淀经验。知识库里的 SOP 是经验的尸体，不是经验本身；同一工序可能有三个版本的文档，直接投喂只会产出前后矛盾的答案。
- 「why 缺口」。SCMR 引述的调研发现，组织可靠地记录「决定了什么」，却几乎从不记录「为什么这么决定」。一个只学过 what、没学过 why 的 AI，会自信地朝着错误目标优化——而更危险的是，企业往往在裁减资深员工的同时，把这份未成文的判断依据一并送出了门。这是切斯特顿围栏原则的企业版：拆掉围栏之前，最好先知道它为什么立在那里。
- 上下文债。同一笔业务横跨订单、仓储、运输、合同、计费多个环节，不同客户的条款各不相同——经验恰恰藏在这些「因客户而异」的例外里，而例外最难结构化。
风险与反模式
综合 WEF 报告、SCMR 调研与行业汇编，供应链 Agentic 落地的失败模式集中在五个：
- 脏数据先行：智能体坐在碎片化、孤岛化的数据上做出「自信但错误」的判断——比不用还糟。美国中型物流企业的典型画像：数据散在 11 个系统里，其中 3 个还是手工表格。
- 试点炼狱：一轮接一轮试点，没有规模化机制、没有成败判据、没有决策时限。能力是真的，缺的是把能力变成运营现实的组织接口。
- 同步踩踏：多家企业采用相似自动逻辑时，同时抢订同一备用供应商或同一批运力，放大短缺；错误还会沿链条复利放大。
- 遗留栈阻抗：多数中型运营方仍依赖批量更新的单体数据库，阻塞多智能体所需的事件驱动流；升级一张配送网络动辄 500 万至 2000 万美元、耗时长达三年。
- bought-then-aligned 错觉：买技术让企业在「自动化但脆弱」象限里横移，感觉像进步而并非进步——真正把组织往上抬的是决策哲学与组织形态的对齐，不是又一张供应商支票。
分阶段自主权与选型建议
把 60% 采用率、530 亿美元这些预测翻译成可执行动作，核心是一张「按例外类别分级授出自主权」的清单：
- 数据与契约先行：先清洗数据、统一文档版本、显式化「why」（决策理由随决策一起留档），再谈智能体接入核心业务流。
- 窄工具、事件骨干、幂等写：不给智能体裸数据库连接，只暴露命名、带类型校验的操作目录；所有写操作带幂等键，重试不会订出两辆卡车。
- 三级自主权：低风险低价值例外（地址更正、文档索取）自动执行；中风险（成本容差内改道）事后复核；高风险（价格与合同变更）强制人工签字。自主权按例外类别挣得，不按项目批次授予。
- 编排层而非单体智能体：一个通用智能体包打供应链会失败；「编排者 + 发运例外 / 供应商沟通 / 需求信号 / 系统写入」四类窄智能体的分工结构是更稳的起点。
- 平台选型看三处：是否支持事件驱动（而非批处理定时任务）、是否提供审计与回放、是否允许把人工审批节点嵌进流程而非外挂在流程外。
530 亿美元的预测隐含两个假设——技术可用性持续改善、组织治理同步跟上。前者大概率兑现，后者才是这条曲线能否走完的真正变量。目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。