我有將近兩年時間都沒有再開發人工智慧 AI。我當時正在清理資料。

當時，我們正在擴充 Track & Trace 平台，我認為最困難的工作在於 AI 層、模型、演算法和最佳化。事實並非如此。大約有 80% 的精力投入較不光鮮亮麗的事情：修復資料基礎。正在清除錯誤。解決不一致的地方。擷取那些還未記錄的作業訊號。

這份工作不怎麼有趣。但這份工作很必要。只因在建立智慧之前，必須先讓資料值得建立智慧。 

現在到處都能看到從這個經驗中汲取到的教訓。整個產業越來越意識到，大多數人工智慧專案會失敗，並不是因為模型不足，而是由於背後的資料不可靠。最近的研究使用數字來處理問題。有高達 95% 的 GenAI 供應鏈專案未能帶來持續的投報率。並非因為模型問題。主要是因為資料分散、系統孤立，還有手動工作流程。 

人工智慧 AI 並沒有失敗。有做到資料治理。

模型無法解決的問題

大家往往傾向於認為，會有更好的模型可以彌補資料品質的不完美。實際上，情況恰好相反。即使答案是建立在不完整或者不精準的輸入資料，人工智慧 AI 系統非常擅長產生聽起來信心十足的答案。

在供應鏈領域，這不只是技術問題，更是營運風險。

在大多數環境中，無法讓資料順暢流動。存放在孤立的系統中：這裡會有一處倉庫管理系統，也是標籤平台，ERP 更新落後現實世界的事件。當您以此為基礎，加入人工智慧 AI 層時，就不是在建立清晰度，而是在擴大歧義規模。

而且從規模上看，錯誤的答案往往比沒有答案更具破壞力。這類能取得真正成效的組織，都能扭轉局面。他們還未開始使用人工智慧 AI。他們首先著手改善資料的建立、擷取和連線方式。

真實資料存放區

供應鏈中最容易被忽視的高品質資料來源之一，也是最普遍的資料來源之一：標籤。每次列印或掃描標籤時，都會記錄一些富有意義的資訊。身分。地點。移動資料。狀態。以上都不是抽象的資料點，而是實際操作資料，從產品、製造、分銷到執行的整個過程中即時記錄到的資料。

隨著時間的推移，以上事件形成一股連續的貨架層級歷史記錄。這就是真正的數位分身模樣，並非靜態記錄或供應商提供的聲明，而是記錄下每一步發生事件的動態時間軸。主要是透過連續數千次的持續資料擷取時刻，逐步建立起來。

那種東西並非一夕之間就能組裝好。隨著時間的推移，這會成為一種持久優勢，一種讓競爭對手難以模仿的資料資產。

同時，外部壓力也逐漸增加。GS1 Sunrise 2027、FDA 可追溯性規則，還有歐盟數位產品護照計畫等監管要求，正迫使各組織更加重視資料的完整性。時間軸不再只是紙上談兵。

但服從只是一種強制手段。真正的價值在於，一旦資料具可信度，就能帶來哪些價值。

從清除資料到實際看結果

當資料基礎夠穩固時，使用案例就變得確實可行。您可以及早偵測到異常狀況，防止網路中斷蔓延開來。您可以識別出靜態報告中無法顯示的供應商績效模式。您可以從被動庫存管理改為採用預測定位。

即使改良部分再微小也很重要。只有缺少一項貨品，就造成許多組織每年將近 4% 至 7% 的營收虧損。這並非建模問題。這是源自於資料品質的能見度問題。接下來，將會朝這個方向延伸話題。

由許多協同作業的代理程式組成的代理型 AI 系統，可在邊緣、雲端環境中執行，迅速成為下一代前沿領域。但上述系統更加仰賴乾淨、穩定的輸入資料。他們不只會分析資料，還會根據資料採取行動。這樣就能提高賭注。

值得提出的問題

企業在投資人工智慧 AI 之前，不妨先思考簡單的問題：如果您今天把目前的營運資料輸入到模型中，還會相信輸出結果嗎？如果答案是否定，也不一定代表失敗。這只是起點。

只因從人工智慧 AI 中取得真實價值的公司，沒有在等待更好的模型。他們之前還完成更艱鉅的工作，建立能夠支援後續工作的資料基礎。其他一切都由此展開。

—

Gus Rivera是 Seagull Software 的技術長，在建立公司、團隊和創新雲端原生軟體產品方面，擁有將近 20 多年的經驗。他是 Track & Trace 品項、庫存追蹤平台的首席架構師。Gus 也領導 Seagull 的軟體工程、雲端營運和支援團隊。