Sushanth Raman 宣布为供应链团队推出自定义模型。

更多 AI 投入无法解决你的供应链问题

上周，我们推出了自定义模型，让每个供应链团队都能利用 AI 实现行业中最高 ROI，从询价和招标货物、寻找合适的承运商，到在数秒内优化库存分配。

企业 AI 已经进入主权时代。领先企业意识到，AI 的真实成本不仅仅是 token 消耗，还包括每次使用 AI 时贡献的专有知识。你希望 AI 越有用，就需要向 Anthropic 和 OpenAI 这样的前沿实验室暴露更多自身业务。与此同时，像近期发布的 Kimi K3 这样的开源模型正在缩小与前沿模型的差距。

作为回应，企业要求主权：对算力、模型、数据以及最终竞争优势的控制。他们希望 AI 是一项自己拥有并治理的资产，然而，专有知识至关重要的领域在很大程度上未被纳入这场讨论。

这个领域就是供应链。

与受专利、品牌或物理基础设施保护的行业不同，供应链优势几乎完全存在于信息之中。前沿模型基于人类知识的公共语料库训练，但你的运营并不属于那个语料库。你的承运商和供应商关系、路径逻辑以及客户细节从未被公开，这意味着一个“无所不知”的模型实际上对你的业务一无所知。

让前沿模型在供应链中有用会带来两个问题。

第一个是成本。实际的工作流程每次交易需要多次模型调用。将这一数量乘以数百万次运输、发票、订单和异常处理，token 消耗很快就会成为经营业务的一种可变税，尤其是随着业务量和上下文不断增加。Token 使用量直接取决于你的运营复杂程度，而这一成本与价值并不明确挂钩。你为每个处理的 token 付费，而不是为结果付费，而定价权掌握在供应商手中。

第二个是控制。每次前沿模型学习你的业务，你都在交出使运营有价值的智能。供应商有动机吸收并泛化这种智能，将你的专有知识转化为其他人可以访问的基础能力。这对任何企业来说都是一个糟糕的交易，尤其是在供应链领域，因为这种知识是核心护城河。即使供应商承诺不利用你的数据进行训练，你仍然不拥有运行你业务的系统，这让你暴露在价格变化、服务中断、政策调整和地缘政治限制的风险中。

Pallet 为每个供应链团队训练一个专用的自定义模型，该模型仅从其运营中学习，并将这些知识编码为针对其成果优化的持久记忆。这种智能在你的业务内部不断累积，而不是在供应商的客户群中被稀释，因此模型直接反映你如何管理货运、库存和服务。结果是具有最高 ROI 的 AI：由于系统反映你的现实，准确度更高；通过消除重复加载上下文，成本更低；并且你真正拥有整个 AI 堆栈。

智能体运行你的工作流程，记忆学习上下文，而仅基于你的运营训练的自定义模型保留这些信息。

智能体运行你的工作流程，记忆学习上下文，而仅基于你的运营训练的自定义模型保留这些信息。

这并不意味着拒绝前沿模型。在问题尚未明确、灵活性比效率更重要时，它们对于探索至关重要。然而，供应链已经过了探索阶段。核心工作流程如报价、装运录入、跟踪和审计已经得到充分理解，具有高流量且运营受限。在这个阶段，通用智能变成了开销。重要的是精确性、一致性和成本。

几十年来，专有知识一直脆弱且短暂。现在，它首次可以被捕获、积累并嵌入到业务本身中，但前提是企业拥有由此产生的智能。

在 AI 时代，一家公司的智能就是其企业价值。供应链公司的未来是拥有多个模型，每个模型从单一运营中学习，并由其所服务的业务所有。