很多採購在接觸 AI 之後，第一個感覺其實不是興奮，而是鬆一口氣。
報表終於不用一個一個拉，資料不用再自己比對到眼睛快脫窗；RFQ 留底、歷史價格、交期紀錄，也不再散落在各種檔案裡。
這些事情，本來就不該消耗太多人的心力。
AI 接手之後，效率確實提升了不少。
但很快，另一個問題就浮上來了。
當這些事情都變快了，那採購，還剩下什麼是非做不可的？
AI 擅長的，是把「事情做好」
先說清楚，AI 在採購工作中真的很有價值。
它可以快速整理多家供應商的報價，把過去幾年的價格、交期、需求變化攤在你面前，
也能即時追蹤 OTD、PPM、Stock Level，提醒你哪些地方出現異常。
Photo by Deng Xiang on Unsplash
這些工作，本質上都是整理、比較、計算。
過去靠人力堆出來，現在交給系統，其實很合理。
問題不在於 AI 做得好不好，而在於：
如果你的工作內容，幾乎都停留在這一層，那你很容易感受到威脅，感覺被取代。
真正的分水嶺，發生在「資料之後」
我在採購工作中看到最明顯的變化，不是誰比較會用 AI，
與其他人之間的落差關鍵，在於當資料出來之後，他下一步拿去做什麼。
有些人，會把 AI 的分析結果直接貼進簡報，回傳給 RD，最後丟進會議資料夾歸檔。工作完成，任務結束。
但有些人，會多做一步：把這些資料，轉成「可以拿來討論的問題」。
「這個最低價，是建立在什麼假設之上？」
「如果需求波動，哪一段成本最容易失控？」
「這個看起來最穩的選項，長期會不會反而卡死彈性？」
這一步，AI 不會主動幫你做。
但這一步，才是採購真正開始被當成「策略角色」的地方。
AI 給的是答案，人要負責的是問對問題
AI 很擅長回答問題：
哪一家最便宜、哪一個方案風險最低、哪一個選項在當下最漂亮。
但在會議裡，真正有影響力的採購，往往不是把數字報告得最完整的人，
而是那個能接著問一句：
「如果狀況改變，我們最先會被打到的是哪裡？」
「如果需求暴增 30%，現有產能撐得住嗎？」
「如果匯率反轉，我們的報價結構會不會瞬間失血？」
你問得淺，它就答得淺。
你想得窄，它就算得窄。
不會問問題的人，用 AI 只是加速犯錯。
會問問題的人，用 AI 才是在放大決策品質。
工具會放大能力，也會放大盲點。
它會放大你的邏輯、也會放大你的偏見。會放大你的框架，也會放大你的盲區。
如果你不知道怎麼下指令、不知道該問什麼問題、更沒有獨立思考的能力，
去判斷AI的回答是否符合現實。
那麼再強大的工具，也只會變成Garbage in, garbage out.
AI 給的是答案。
但決策的方向，還是人負責。
從「交資料」到「帶著資料進場」
很多採購卡在執行型，不是因為能力不夠，而是工作停在「資料交出去」就結束了。
策略採購的差別在於，他不只交資料；而是帶著資料進會議、帶著假設進討論，
也帶著風險提醒走進決策現場。
Photo by Vitaly Gariev on Unsplash
AI 讓你更快準備好資料，但你有沒有跨出資料之後那一步，往往就決定了你會不會被拉進真正的判斷圈。
當 AI 接手事情，人反而要走得更前面
我越來越常看到一個現象：
越擅長使用AI的採購，反而更早坐上專案的討論桌，開始和各單位一起討論、一起發揮影響力。
因為報表不再卡時間，他們可以提早參與討論，有餘裕去理解RD的考量、供應商的盤算，以及這個選擇，對未來幾年的供應布局會帶來什麼影響。
AI 不是讓採購變得可有可無，而是逼著採購回到一個更靠前的位置。
工具會進化，但角色不能模糊
當 AI 越來越能把事情做好，採購反而更需要想清楚：
哪些事情可以放心交出去；
哪些事情，一定要自己站在第一線。
效率可以外包，責任不行。
分析可以自動化，判斷不能。
如果你把如果你把時間都花在那些AI 已經能更快處理的工作上，
焦慮幾乎是必然的，因為你正在和工具競爭。
但如果你把省下來的時間，用來做只有人才能做的判斷與溝通：
例如在談判桌上讀懂對方沒有說出口的那一句話；或者在利益衝突中維持原則。
你會發現，AI 其實不是在搶你的工作，而是在幫你把舞台打得更開。
工具會進化。但真正被放大的，是人的成熟度。
當分工越來越清楚，角色反而越來越立體。
如果你喜歡這篇分享，歡迎持續追蹤《Lynn 的採購生活選讀集》。
我會持續紀錄採購現場的實務經驗、談判中的觀察，以及那些在忙碌工作與閱讀之後，慢慢沉澱下來的思考筆記。
💬 也歡迎你留言聊聊：
- 哪些判斷，你仍然選擇親自站在第一線？
- 又或者，你曾經因為過度依賴工具而踩過什麼坑？
我很想聽聽不同產業的實際經驗。 我們下一篇見 : )
