耐克在1999-2000年期间的数字化转型项目以及耐克对i2的诉讼案，可能是过去几十年最有影响的企业数字化失败故事，也是很多MBA课堂讨论的案例（我就一直把这个案例用在我讲授MBA的教学上）。
1999年，当时风头最盛，全球运动鞋服第一、营收和市值都超出第二位阿迪达斯两倍以上的耐克，启动了投资高达四亿美元的供应链数字化转型项目。2001年底，由于营业收入未达资本市场预期，耐克股票一天之内暴跌20%。耐克管理层将营收下降归因于销售决策错误，超量备货了Nike Air加内特款（上），造成库存滞销，而市场需求旺盛的Nike Air乔丹款（下），却严重备货不足。
也许是为了平息华尔街的质疑和股东的愤怒，耐克管理层将供应链决策失误归咎于持续了两年多的供应链数字化项目，又将火力集中在了在这个项目中承担了需求预测和库存控制功能的供应链管理软件公司i2 Technologies身上，对i2提起了赔偿诉讼，i2的股价随即应声下跌。
在2000年时，借助互联网泡沫，i2一度达到260亿美元市值，是当时市值最高的企业软件公司之一。i2选择了和耐克庭外和解，赔偿了一笔未公开披露的金额，到2004年后，耐克就宣布已经摆脱了供应链管理软件的困境，重回增长。
经过此事，行业普遍认为耐克的商业模式是让零售商/批发商提前承诺订单，耐克根据在手订单严格控制产品的供应链交付，在这种商业模式之下，需求预测和库存控制其实并不重要。
不过再到后来，阿迪达斯在2010年提出的三大业务战略之一的可控零售空间（controlled retail space）和中国安踏近年来倡导的直面消费者（DTC）转型，都是对耐克模式的修正和演化，更重视对零售终端的掌控，相应地对供应链计划也提出了更高的要求。我在2013年时领导过这个课题的咨询项目，并且写进了我的书中：
所以，鞋服行业究竟要不要数字化、智能化的供应链管理，我讲授的MBA课堂上的讨论总是让人饶有兴趣。
不过这件事情上最受重创的，是最早利用人工智能来进行供应链优化决策的软件公司i2，也许是耐克事件的示范效应，i2被多家制造业和零售业客户因为软件能力不行而惹得官司不断，到处巨额赔偿，到了2009年JDA收购它时，仅值4亿美元。参见《ERP和供应链软件 ｜ 松下收购JDA，下一家是谁》
实际上耐克当年这个供应链数字化转型项目并非i2一家，根据公开披露的消息，这个解决方案架构是由四家组成的：除了i2外，供应端是SAP ERP软件，并且使用了SAP鞋服行业方案AFS；销售端是后来被Oracle收购的，当时最有名的CRM软件Siebel，而系统集成和项目管理，则是由后来被IBM收购的普华永道咨询部负责。
为啥在这个豪华阵容里，最后背锅的却是i2？
道理很简单，ERP和CRM都是干事务处理的，处理销售订单、采购订单、门店分货等等运营性流程，而i2是干决策优化的——究竟要买和卖什么货？什么时间买？买多少？库存要备货多少才能够卖？
如果业务失误被认为是决策的问题，那不是手、脚的问题，而是大脑的问题。
在耐克供应链管理软件项目中，那个时候的i2软件主要还是依赖于早期的供应链管理相关的高级算法来进行需求预测和库存控制，这些数学模型和算法并不像近二十年来来AI系统那样依赖机器学习、深度学习或神经网络。而今天当代AI技术的可解释性都低于早期的AI技术，越来越黑盒化。
因而，今天在企业经营决策中引进AI带来的组织风险，不是越来越小，而是越来越大：
今天的AI算法（如深度学习、机器学习）能够处理大量、复杂的数据（例如历史销售、市场动态、天气情况、社会流行趋势等）并作出预测，但这些算法的黑箱特性常常导致企业难以理解预测结果的来源和逻辑。对于企业来说，缺乏对AI模型的解释性可能会增加决策的风险，因为他们无法确定模型是在基于哪些因素做出预测。
供应链管理是一个涉及多个部门（如采购、物流、制造、销售等）的复杂业务流程。如果供应链决策基于一个不可解释的AI模型，企业可能难以建立对其预测结果的信任。决策者和管理者希望能够理解为什么某些产品被推荐生产、销售，或者为什么某个区域的市场需求会跟预期不一样。如果无法解释清楚AI的逻辑，企业可能会选择不采纳这些建议。
AI模型的不可解释性也可能导致当发现预测错误时，管理者无法快速找到问题的根源，企业需要具备能力去诊断模型问题并进行调整。但如果AI模型是一个“黑箱”，问题的诊断和纠正过程可能会更加复杂和耗时。
决策支持系统是企业管理信息系统的高级层级，参见《管理信息系统（MIS）简史及其管理思想》。不仅是在鞋服行业供应链管理中，我们可以将AI在企业决策中的深度分为三个层级：
1、机器自主决策并驱动自动执行：这也是目前业务自动化（business automation）和所谓人工智能的智能体（AI Agent）的应用方向，我在我的新书上多处讲到；
2、机器增强决策：机器基于人类所无法具有的信息搜集和处理能力，形成智能后，在一定的上下文环境下，提供比人类更强的推理、判断能力，增强人类决策；
3、机器辅助决策：决策环境非常复杂或者决策时效性要求低的情况下，机器提供决策建议，由人类决策并执行。
针对这三类作用深度，我罗列了一些常见的、已经有较广泛应用的AI应用场景，不同的场景就需要使用不同的AI算法和模型：
今天随着AI技术的发展，越新的技术，可解释性越差，在形成了人工智能用于企业决策的悖论——技术越发展，企业管理者越不敢用新技术。例如最近爆火的大模型、CahtGPT，作为总经理的你，可以让大模型给你画个画，做个小曲儿啥的给营销部门的广告用，你敢让大模型帮你决定明天该生产多少产品？价格打折究竟打8折合适还是打7折合适？
这不仅是技术问题，而是人工智能带来新的组织逻辑和文化变革的问题， 当人和机器协作的时候，你究竟把机器当不当人看？就是人与人合作，一样有信任问题——库存水位该多少、打折该打几折，财务经理、销售经理、供应链经理往往也不能达成一致，最终达成的一致，总是基于一定的承诺信任——销售经理拍胸脯能卖掉、供应链经理拍胸脯能到货。
“啤酒和尿布”的故事已经流传了很多年了，这个故事本来的逻辑是人工智能的可解释性的问题——在某个特定商圈内，存在很多周末喜欢边喝啤酒边看足球转播的奶爸，所以他们会去超市买尿布时，顺手买啤酒。然而，揭示啤酒和尿布相关性的人工智能，本身是不具有业务含义的可解释性。
如果同样是这个AI给你提示：羽毛球拍和墨鱼的销量有高度的相关性，你会决策把羽毛球拍和墨鱼放在一起陈列，或者打包一起促销吗？——我认为，有些企业会，有些企业不会，这就是人工智能时代的组织哲学，你信不信任机器？
所以我认为人工智能在企业应用中的真正挑战，并不仅仅是技术问题：是穷尽技术手段去解决可解释性问题（参见《生成式AI的企业应用 ｜ 不要营销噱头，要追求技术的星辰大海》），或者是选择决策技术的算法模型问题——是简单的、白盒化的规则引擎，还是复杂的、黑盒化的机器学习，而是企业领导者面临着复杂的组织变革问题：重新思考人类与机器在组织中的关系。
