报告行业投资评级 - 报告未明确给出对行业的整体投资评级 [1][36] 报告的核心观点 - 人工智能是变革采购支出分析的关键 能够将数据转化为可执行的洞察与行动 [4][11][16] - 当前采购数据分析的应用是临时且不一致的 仅有**4%**的决策基于数据和分析 [7][8] - 实现自主分析面临多重障碍 包括数据质量与整合问题 其中**57%**的采购专业人士认为整合困难是数据质量的障碍 [13][14][18] - 数据分析的价值主要来自与工作流程的嵌入而非技术本身 工作流程嵌入式数据和分析带来的价值占比高达**42%** 而技术本身仅占**9%** [20][24][26] - 为充分发挥智能体人工智能的价值 采购职能需重新设计工作流程和人员角色 从执行者转变为管理者 [21][22] - 报告提出了六项具体行动建议 以将分析转化为可持续价值 [28][29][30][31][32][33] 根据相关目录分别进行总结 行业现状与挑战 - 数据准备耗时巨大 **71%**的首席数据官花费超过四分之一的时间准备用于报告和决策的数据 [3] - 采购团队在数据分析应用上极不一致 在“使用何种数据进行分析”上保持一致的团队仅占**13%** [8][10] - 数据分析尚未转化为持续、可重复的业务成果 投资未达预期效果 [8] 人工智能的转型潜力 - 人工智能能够推动从“小数据”到“大数据”的转变 识别支出模式并进行预测性分析 [15] - 智能体人工智能不仅能分析和推荐行动 更能自主执行 例如分析运费超支的成本动因并启动基础寻源流程 [16] - 未来多个AI智能体可像“采购工作组”一样协同工作 分别处理成本预测、基准比较、寻源选项识别和启动采购流程等任务 [16] 实现转型的关键路径 - 必须克服七大障碍 按顺序包括：1) 数据质量与可用性 2) 领域知识与人才缺乏 3) 系统整合与遗留系统问题 4) 治理、风险与信任担忧 5) 现有AI模型的技术限制 6) 工作分散与赞助支持不足 7) 文化与变革管理问题 [18] - 标准化数据是基础 能显著增加用例数量并加快实施速度 [19] - 采购团队需要掌握新技能 包括审核AI生成的动作、设置升级阈值 以及持续调整AI行为以符合业务优先级和风险承受能力 [22] 行动建议 - **聚焦可行的用例**：寻找具有明确投资回报率的用例 建立信任后再推进更大项目 [28] - **及早追踪并传达价值**：通过讲述成功故事来确保分析项目获得扩展的权利 [29] - **解决整合与数据问题**：若数据分散 需创建协调层以无缝驱动信息回传给AI智能体 [30] - **采用以人为本的推广方式缓解对AI的担忧**：从增强人类能力开始创造初步价值 再寻求提高自主性 [31] - **重新设计流程而非自动化任务**：让AI驱动的分析融入日常工作空间 通过持续交付价值使其成为习惯 [32] - **建立治理与防护机制**：通过升级协议和审计跟踪确保决策阈值得到适当管理 [33]