AI风控与供应链决策：从*ST传智退市风险看企业生存线

2026-02-12，*ST传智发布公告提示：公司股票可能被终止上市。触发条件写得很“财务”：经审计利润指标为负、扣非后营收可能低于3亿元、期末净资产为负等任一情形，都可能把企业推向退市边缘。

我更关注的是另一个更“经营”的问题：当企业走到退市风险警示这一步，往往不是某一个季度突然失手，而是长期决策系统缺少前瞻性与纠偏机制。在我们“人工智能在物流与供应链”系列里，这个信号尤其刺耳——供应链的波动、库存的错配、现金流的紧绷，很多时候都不是缺人手，而是缺一套能持续“看见风险、提前改动作”的数据与AI决策体系。

把视角拉回汽车行业也一样。特斯拉的AI-first不是口号，而是把数据闭环、算法迭代、组织决策三件事绑在一起；而不少传统或“半数字化”的企业（包含部分中国车企的某些业务线）仍停留在“AI做点辅助报表”的阶段。差距就出现在这里：前者用AI把不确定性变成可管理的变量，后者用流程去对抗变化，最终容易把波动变成财务报表上的硬伤。

这篇文章不讨论个股投资，也不对任何公司经营做结论。我们只借“退市风险”这类事件，拆解一件更通用的事：AI驱动的风控与供应链决策，如何影响企业的长期稳定性。

退市风险背后，常见的经营链条断点是什么？

答案是：利润、营收、净资产这些“结果指标”，通常由三类过程问题累积而成：需求判断失真、供应链资金占用过重、成本结构无法动态优化。

公告里提到的典型触发组合（利润为负 + 扣非后营收门槛 + 净资产约束），在经营上往往对应一条链：

1. 需求预测偏差：销量/订单判断不准，产销节奏错位。
2. 库存与交付失衡：库存积压或缺货并存，导致促销、返工、加急物流等额外成本。
3. 现金流被供应链“拖住”：原材料、在制品、成品占用资金，回款周期拉长。
4. 费用刚性上升：固定成本摊薄失败，毛利变薄，最终体现为利润压力与净资产压力。

在汽车行业，这条链更凶：车型迭代快、渠道政策复杂、零部件交期长，一旦预测偏差叠加供应波动，就会在季度内迅速放大。

为什么“只做报表数字化”不够？

因为报表告诉你“已经发生了什么”，但退市风险考验的是“接下来会发生什么，以及你是否来得及改”。

供应链和财务的真正痛点，是把“经营信号”转成“动作指令”：该不该降产？该不该改采购策略？该不该调整物流网络？该不该收紧信用政策？

这就是AI的价值区间：从“统计”走向“预测+优化+自动纠偏”。

AI在物流与供应链里，怎样把风险前置到“可控区”？

答案是：用AI把三张表（利润表、资产负债表、现金流量表）背后的供应链变量建模，并把策略调整嵌入日常运营节奏。

在供应链场景，最能直接改善“财务稳定性”的AI模块通常是四类：

1）需求预测：把“拍脑袋”变成可解释的概率

好的需求预测不追求一次预测命中，而是追求两点：

• 给出置信区间（比如未来4周需求P50/P80）
• 解释驱动因素（促销、竞品、区域天气、渠道库存、节假日等）

对2月、3月这种春节后复工复产的季节性波动尤其关键：很多行业会在节后出现“短期补库+需求回落”的双相变化，预测若没有把这类模式写进模型，库存很容易在3月末变成负担。

2）库存优化：用服务水平换现金流空间

库存不是越低越好，而是“在服务水平约束下的最小资金占用”。

AI库存优化常用做法：

• ABC/XYZ分层：高价值+高波动品类重点建模
• 多级库存优化（工厂-区域仓-门店/交付中心）
• 安全库存动态化：结合交期波动、供应商稳定性、运输时效

它最终影响的是资产负债表：存货下降、周转变快，现金流更稳。

3）路径规划与运力调度：把“加急成本”打下来

物流端的AI价值经常被低估。现实里，预测错配会逼出加急运输、临时包车、跨仓调拨，这些费用对毛利的侵蚀非常直接。

路径规划与调度优化（含干线+支线、装载率、时窗约束）能把“应急”变成“计划内”，让成本曲线更平滑。

4）供应风险预警：提前发现“会断”的那根链

供应中断很少是突然发生的：交付延迟、质量波动、账期异常、产能利用率异常，往往在数据里有迹可循。

建立AI预警体系时，我建议从三个维度入手：

• 供应商健康度评分：交付准时率、PPM质量指标、价格波动、财务舆情信号
• 关键物料单点依赖监控：替代料BOM、二供切换时间
• 情景模拟（stress test）：假设某物料延迟2周/4周，对产销与现金流的影响

这类体系的目标很明确：把“损失”变成“提前的动作成本”。

特斯拉 vs 中国车企：AI战略差异，核心不是“模型大小”

答案是：差异在“AI是否进入主业务闭环”，以及数据是否形成跨组织的统一事实。

很多人讨论特斯拉，会把焦点放在自动驾驶或大模型。但从经营稳定性角度看，更关键的是它的AI思维方式：

特斯拉的典型路径：AI-first的闭环

• 数据采集天然在线（车端、工厂、交付、服务）
• 决策追求端到端优化（生产、库存、交付节奏协同）
• 迭代频率高：把“模型更新”当成运营常态

结果是：当外部需求波动或供应受限时，它更容易快速调整策略，把冲击限制在可承受范围内。

许多企业更常见的问题：AI是“外挂”，不是“发动机”

在一些传统组织里，AI项目容易变成：

• 供应链有一套口径、财务有一套口径、销售又一套口径
• 模型做出来了，但没有权限改策略（只能出报告）
• KPI不对齐：局部最优（比如采购只看价格）导致全局变差（比如缺货损失）

这种状态下，外部波动一来，组织只能用更激烈的“费用动作”去补洞：砍预算、压账期、停项目。短期能止血，长期却可能把增长能力一起砍掉。

一套可落地的“AI风控+供应链”三步法（适合汽车与泛制造）

答案是：先统一数据事实，再做可执行的预测与优化，最后把预警接入经营例会与权限体系。

第一步：先把“统一口径”做成硬规则

• 统一主数据：SKU/物料、供应商、仓库、渠道、地区
• 明确指标定义：什么叫“扣除后营业收入”、什么叫“可用库存”、什么叫“准时交付”
• 数据质量SLA：缺失率、延迟、异常值处理机制

没有统一事实，AI只会变成“各讲各的”。

第二步：用AI做三件“能直接影响现金流”的事

优先级建议：

1. 需求预测（周粒度/日粒度）
2. 库存与补货优化（多级网络）
3. 运输与调度优化（装载率、时窗、成本）

因为它们最容易在90-180天内体现为：周转改善、缺货下降、加急费用下降。

第三步：把预警接进“决策权”而不是“邮件”

预警如果只是发邮件，最后会变成噪音。更有效的做法：

• 设定红黄线：例如预测误差、库存覆盖天数、供应商延迟率
• 绑定动作清单：触发红线就自动进入“策略模板”（降产/换供/调拨/收紧信用）
• 纳入经营节奏：周例会看趋势、月度复盘看模型误差与动作效果

一句话：预警必须能触发动作，才算风控。

结尾：企业稳定性不是财务团队单独扛的

*ST传智的退市风险提示，表面上是审计后的利润、营收、净资产门槛；但在很多行业里，真正决定命运的，是那些更早发生、却常被忽视的运营信号：需求的拐点、库存的堆积、交付的延迟、供应的脆弱点。

在“人工智能在物流与供应链”这个主题下，我的立场很明确：AI不是锦上添花，而是把经营风险前置的基础设施。特斯拉与部分传统模式的差距，也不在某个单点技术，而在是否把AI嵌入主业务闭环、让数据驱动成为组织的默认决策方式。

如果你正在负责汽车、零部件、制造或零售企业的供应链与经营分析，我建议你做一次“退市风险式”的自查：

• 未来12周需求下行20%时，你的库存与现金流会发生什么？
• 某个关键供应商延迟4周，你能否在72小时内给出可执行的替代方案？
• 你的预警能触发动作，还是只能生成报告？

真正的问题不是“要不要上AI”，而是：当下一次波动来临，你的决策系统能不能比风险早一步。