在台灣的傳統產業中，採購經理曾是經驗的守護者。他們憑藉深厚的人脈，一個電話便能處理緊急訂單；僅憑對匯率與原物料報價的直覺，就能預判市場走向。這份無法量化、難以複製的「行情感」，是過去台灣企業在供應鏈中的核心競爭力。
然而，這經驗法則正受到由演算法與大數據組成的數位浪潮衝擊。根據《2025 台灣產業 AI 化大調查》，儘管近三年來，企業高層普遍認同 AI 的重要性並投入資源培訓，但實際導入 AI 的企業比例仍停留在三成左右，成長幅度微乎其微。這顯示出台灣產業正處於『認知提升，但落地遲緩』的矛盾困境。
角色轉型：從成本狩獵到價值賦能
- 舊時代的採購人：成本的「狩獵者」。他們將大部分時間用於比價、議價與追蹤訂單，價值在於找到最低價。這是一場零和遊戲。
- 新時代的採購人：價值的「賦能者」。他們將更多時間投入於解讀數據、分析風險，並設計更高效的自動化流程。他們的價值在於預見風險、創造新價值，這是一場無限遊戲。
然而現實卻顯得相當嚴峻。
國際領先企業早已將 AI 深度嵌入供應鏈，用於需求預測、庫存調度與風險管理；相較之下，台灣多數企業仍停留在『工具層』的應用，例如使用 AI 輔助生成文案或製作報表。更深層的原因在於，許多高層將 AI 視為一種宣示工具，急於見效卻缺乏戰略配套計畫，導致出現先買設備、先送員工上課卻沒有明確應用場景的現象。
中央大學蔡宗翰教授比喻，這就像清朝在甲午戰爭前購買了德國步槍，卻只配發三十發子彈，缺乏後勤與整體規劃，最終無法改變戰局。今日台灣不少企業同樣面臨此困境，即使擁有頂尖的晶片與軟體，卻未將 AI 與流程整合，成效自然有限。
AI 改變採購決策核心：從迷霧駕車到手握雷達
1. 價格預測：從「直覺」到「模型」的科學管理
通常，經理人可能會憑藉單一訊息判斷：「大豆要漲價了，因為我看到美國天氣報告說要乾旱。」這更像一場高風險的賭注。
AI 現在則能整合 CBOT 期貨、運費指數（SCFI）、匯率、氣候衛星影像，甚至是社群媒體上關於農作物的討論，跑出數百種模擬情境。它不會提供單一答案，而是給出一張包含勝率與風險的地圖。例如，它會告訴你：「在 85% 的情況下，價格將在下個月上漲 3%-5%，但有 15% 的機率會因新變數而下跌。」這讓決策不再是運氣，而是科學的風險管理。儘管現實仍有諸多變因，AI 確實能將這些變因的影響範圍盡可能地縮小。
2. 供應商風險管理：從「關係」到「數據」的透明化
在過去，採購或許只能依賴老闆的個人交情，以及定期的書面審核，這其實就像在黑夜裡試圖看清對方的臉。
AI 模型好比一台超高解析度的夜視鏡，足以即時抓取供應商的財報、ESG 評級、勞資糾紛紀錄，甚至是國際新聞中的任何負面輿情，並將其轉化為動態的風險指數。它甚至能預見供應商可能出現的財務危機或斷供風險，提前警示，讓企業在危機發生前有足夠時間尋找備援，而非在生產線停擺後才措手不及。
3. 任務自動化：從「人工」到「機器協作」的解放
每天上班將一半時間花在反覆的複製貼上、比對 Excel 表格與發送重複郵件，這不僅效率低下，更是對人類最寶貴的創造力的浪費。
透過自動化工具如RPA，已經能將重複性高的，低價值任務交由機器人接管。採購人員的角色不再需要兼任「數據搬運工」，而是能將精力用於更具策略性的工作：與供應商建立深度合作關係、尋找創新材料或分析市場的長期趨勢。
產業適配度：AI 的入場券並非人人都有
其實，AI 在採購的導入效果，取決於企業本身的數據成熟度與流程標準化程度。產業特性，決定了產業是否能搭上這班由數據驅動的 AI 列車。以下將產業分為三種適配度，來更具體地說明這場變革的門檻。
- 高適配：數據就是石油，AI 就是煉油廠
這類產業擁有龐大、持續且具高度規律性的數據流，就像一座取之不盡的油田。採購的品項多為大宗物資或標準化商品，其價格波動與國際市場、期貨數據、氣候等外部變數緊密相關，非常適合 AI 進行預測與建模。
代表產業：食品加工、零售、航運。 - 中適配：AI 是副駕駛，經驗仍是方向盤
這類產業部分流程可以數據化，但仍有許多細節高度仰賴人工經驗與判斷。AI 在此扮演輔助角色，提供數據洞見，但最終的決策權仍緊握在人類手中。
代表產業：紡織、金屬加工。 - 低適配：採購環節數據稀少，但 AI 仍有其他發力點
這類產業的訂單高度客製化，缺乏重複性與規模，導致可供 AI 學習的採購數據量極其稀少。在採購環節，盲目投入 AI 就像是在沒有水的地方試圖建造一艘船，成本遠大於效益。然而，這並不代表 AI 在這類產業就沒有用武之地，例如可以將 AI 用於分析客戶行為、優化行銷策略或設計輔助。
在台灣，許多製造業是國際品牌的代工廠，訂單需求來自客戶，而非自主的市場判斷。即使導入 AI，也只能優化內部效率，難以像品牌商一樣用數據預測消費趨勢。更深層的現實是，多數台灣中小企業資源有限，比起長期回報的 AI 專案，更在意眼前的現金流與快速回報。這導致許多 AI 導入案最終成了短期的試驗，缺乏持續的迭代與投入，與跨國大廠形成了結構性差距。
轉型路徑：從自動化到 AI 的實踐
在全球採購數位化的進程中，跨國企業的實踐路徑通常可分為幾個層次，從基礎優化逐步邁向深度整合。
- 流程自動化（Automation）。這是轉型的起點。例如，美國能源巨頭雪佛龍透過 RPA 自動化訂單與發票處理，將人工核對時間從數小時縮短為數分鐘，大幅降低錯誤率，是將人類從機械性勞動中解放的典型案例。
- 數據化（Data Readiness）。數據是 AI 的燃料。德國工業巨擘 Bosch 創建統一的供應商管理平台，整合採購與供應鏈數據，為後續更進階的 AI 分析打下堅實基礎。
- AI 輔助決策（AI-driven Insights）。在數據成熟後，企業開始利用 AI 提供決策洞察。例如，西門子採用 AI 平台進行供應商搜尋與風險洞察，顯著減少資訊蒐集與比對的時間。
- 智慧化執行（Execution Layer）。這是最高層次的應用。大型零售商已嘗試將 AI 預測需求與庫存管理結合，並與自動化系統連動生成補貨建議，實現部分自動化採購。
然而，這條轉型之路並非沒有陷阱。某大型連鎖超市曾急於導入 AI 預測模型來優化採購，卻因基礎數據混亂（各門市資料格式不一、歷史數據缺漏且未清理）導致模型頻繁輸出錯誤建議，反而引發庫存積壓與成本攀升。
這說明：再先進的演算法，若缺乏紮實的數據基礎，終究只是空中樓閣。麥肯錫 2025 年調查顯示，雖然 78% 的企業已嘗試導入 AI，但真正達到成熟部署的不到 1%。這凸顯出，真正的競爭優勢在於將 AI 深度嵌入流程與決策，讓它參與風險管理、需求預測與供應鏈調度，而非僅停留在「工具層」的零散試驗。
【凱西觀點】經驗與 AI 的共舞
圖片來源: LinkedIn - from Jubin Patni
AI 的進場，讓採購人不再只是流程的執行者，而是逐步轉型為「數據操盤手」。
未來的採購必須像數據分析師一樣，熟悉 SQL、BI 工具、Python，以及仍不可或缺的 Excel，才能將龐雜數據轉化為決策洞察。
但更重要的是，AI 的角色不僅是讓決策更精準、流程更高效。它還能挖掘隱藏的成本節約機會，幫助企業在原物料與物流波動中保護毛利；同時，它也能讓採購從「風險監控」走向「合作升級」，透過即時洞察與透明化，與供應商建立更穩定、更具創新的夥伴關係。
我的觀察是，AI 不會讓經驗消失，而是迫使經驗經得起數據驗證。當人工智慧處理龐雜資訊，人類智慧則專注於策略、談判與人性。 但台灣企業還有另一道必須跨越的門檻：AI 人才與業務部門的鴻溝。許多專案失敗，並非技術不成熟，而是缺乏能「翻譯」需求與技術的中介角色。這提醒我們，未來的採購人不僅要懂數據，更要懂如何讓 AI 成為跨部門協作的語言。
延伸閱讀文章:
1. AI 重構一切 | 《McKinsey Technology Trends Outlook 2025》
2. 10 AI Procurement Use Cases & Case Studies
3. 西門子如何利用 Scoutbee 的人工智慧轉變採購管理
4. 工研院IEKCQM：AI熱潮持續 2025年製造業產值預估成長6.48% 經濟景氣緩步回暖、AI終端應用商機擴大，我製造業產值延續正向成長
