零售行业:如何识别你的企业是AI打补丁还是AI原生
作者：本站编辑
2026-07-09 15:36:11
0
零售行业:如何识别你的企业是AI打补丁还是AI原生大多数零售企业的IT系统，从来不是为AI建的。 你现在用的ERP，是十多年前上的。POS系统，是门店扩张那年部署的。WMS管仓库，BI做报表，促销系统管打折，补货系统看库存。每一套都跑得好好的。每一套都是为某个部门的具体工作流设计的。 但是，至今没有一套是为了让AI看懂你的生意。 这不只是技术问题。这是你的AI投资有没有被浪费的问题。
什么意思？ 我从一个商品总监的日常说起。 早上九点，他打开ERP看昨天的销售额。然后切到BI系统看品类动销。BI的数据隔了一天才出来，ERP是实时的，两个数字对不上。他叹了口气，打开Excel，从五个系统里导出数据，手动拼一份"今天到底该补什么货"的表。 他想知道的是：A门店的畅销款快断码了，但B门店同款还压着库存。是不是该从B调到A？调拨成本划不划算？如果等供应商补货，三天后到，这三天损失的销售额值不值得等？ 要回答这个问题，他需要同时看到七组数字：各门店实时销售、库存水位、供应商交期、调拨物流成本、尺码断码率、毛利结构、促销档期。这七组数字，分布在五套系统里。 做零售的都知道我在说什么。这不是某一家公司的IT问题。这是行业的普遍状态。 你的计划员想给高需求门店多配货，但供应量被供应商锁死了。你的配货员想优先保旗舰店，但某家社区小店在尺码层面机会更强。你的采购说供应商最小起订量绕不开。你的物流说调拨一箱和调拨一整车，成本差八倍。 每个人在自己的系统里做判断。每个判断单独看都是对的。 但是，没有一个人能看到这条决策从头到尾的全貌。 好了。现在你决定引入AI。 你说：让AI来补货。AI比人快，AI不会忘。试点跑了一周，结果漂亮。缺货率下降，库存周转加快。你很兴奋。拍板：正式上线。 然后，它就废了。 AI建议从B门店调货到A。配货团队说：不行，B店明天有大促，这批货是活动备货，一件都不能动。AI建议紧急补单给供应商。采购说：供应商产线刚排满，最少等四天。AI建议降价清掉C品类的滞销库存。商品VP说：下周这个品类有品牌日，你现在让我降价？ AI的建议不是错的。它只是不知道它不知道的事。 促销档期在营销的Excel里。供应商产能限制在采购的微信聊天记录里。尺码策略在商品企划的PPT里。门店优先级在运营VP的脑子里。AI看到的是数据。它没看到的是产生这些数据之前，各个部门已经博弈过一轮了。 AI看到的是最终报表。它没看到报表背后的那些妥协、取舍和临时决策。 这就是为什么试点跑得通、上线就废。 试点阶段，人愿意配合。每条AI建议都有人主动补上背景信息——"这个门店除外，因为它在装修""这个SKU先不管，因为供应商在切换"。一旦进入日常运营，没人有时间为每条建议回头解释上下文。不是不愿意。是真的顾不过来。 现在可以定义这个问题了。 大多数零售企业做AI的方式，我称之为"AI打补丁"。 什么是AI打补丁？简单说就是：在已有的IT系统上，叠一层AI功能。底层的业务流程、数据结构、决策逻辑，全部不变。 你没有改变系统。你只是给它穿了一件AI的外套。 AI打补丁有几个一眼能认的特征：第一，AI只接到一两个系统的数据，看不到全局。第二，AI给出建议后，人需要手动补上限制条件，建议才能执行。第三，AI的建议被推翻后，并没有告诉它为什么，AI不知道自己的建议为什么被拒。下次完全一样的错误，它照样犯。第四，每个部门的AI是独立部署的。补货AI、配货AI、定价AI、促销AI，各跑各的，互不对话。 你可能会说：那我把所有系统打通不就行了？建一个数据中台，把数据全汇聚到一处。 数据集中是好事。但是，数据集中不等于AI能看懂你的生意。 真正的问题不是数据不够多。真正的问题是数据里没有业务逻辑。 什么意思？ 你的ERP里有一条记录：商品A，B门店，库存10件。这是一条干净的数据。 但是，这10件库存背后的故事是什么？ 其中3件已经被电商订单锁定了，但ERP还没扣减。2件是上周退货回来的，质检抽检了1件，剩下的1件可能有瑕疵，理货员把它放在退货暂存区，但系统里仍然算正常库存。批发客户口头预定了2件，销售还在跟进，没下单。还有3件陈列样品，区域经理上周说可以打折处理了，但审批流程还没走完。 所以账面上的10件，实际可卖的最多2件。 这个判断，任何一个做过门店运营的人看一眼就知道。但是AI不知道。AI只看到了"库存10件"这四个字。 AI看到了数据。它没看到数据产生时附着的那些判断、妥协和临时安排。 这引出了一个更根本的问题。 零售决策从来不是在一个变量上做选择。你做的每一个决定，都同时被十几个变量从不同方向拉扯。 供应商交期是动态的。门店需求是波动的。仓库库容是有限的。物流最小起运量是刚性的。现金流和预算是卡死的。新品导入有时限。促销资源有窗口期。尺码和颜色有结构性差异——XS卖不动但XL永远不够。降价的品牌影响会产生连锁反应。 这不是"考虑一个因素"的问题。这是"一个人在面对一群互相矛盾的条条框框时做权衡"的问题。 学术上有一个词叫受限决策——在多个限制同时卡住的情况下，找一个可以被接受的方案，而不是理论上的最优解。零售就是最典型的受限决策场景。 但是，大多数AI系统看到的是什么？ 它看到的是：历史销售数据，加上当前库存。然后根据这两个变量给建议。它不知道供应量被供应商锁死了。它不知道仓库最里面那排货架因为漏水，暂时不能放货。它不知道区域经理跟这个供应商的关系已经崩了，下一批货能不能按时到是未知数。它不知道公司现金流这个月偏紧，财务总监说了"供应商货款优先排成熟品类"。 AI用两个变量在解题。但真实世界这道题有十几个变量，而且变量之间互相打架。 你可能会说：那就把所有变量都告诉AI。 好问题。怎么告诉？ 这些变量不在任何一个系统里。它们在采购经理的判断里。在物流主管的经验里。在运营总监和供应商打了十年交道的直觉里。在区域经理对门店店长管理能力的私下评估里。它们甚至不在Excel里。它们在脑子里。在微信聊天记录里。在走廊里偶遇时的五分钟对话里。 这就是为什么"先把数据治理干净再上AI"这个建议，听起来无比正确，但永远落不了地。 因为你要的不只是"干净的数据"。你要的是"带业务上下文的数据"——每条记录背后附着着它产生时的条件、当时的限制、被拒绝过的替代方案、最终拍板的理由。 好数据不等于好决策。AI缺的不是更多数据。是能理解决策全过程的运营模型。 现在我们来谈另一种做法。我称之为"AI原生"。 AI原生不是在旧系统上叠AI功能。它是在ERP之上，建一层专门让AI工作的基建。我叫它运营层。 什么是运营层？简单说就是：一层把数据、业务规则、限制条件、工作流和AI全部串在一起的共享基础。 在运营层里，AI不只是看"库存还有多少"。它看的是"可履约的库存有多少"——已经自动扣掉了预定的、锁定的、质检卡住的那些。AI不只算"预测需求"。它算的是"被供应量限制的可行需求"——已经把供应商交期、最小起订量、产能限制全考虑进去了。AI不只建议"该补什么"。它给的是"在这些限制下能做的最优动作，和它的替代方案"。 关键区别在哪？ AI打补丁的AI只看最终输出。AI原生的AI能看到决策全过程。 输出是什么？是"补货100件"。过程是什么？是"方案A被供应商交期否了。方案B调拨成本超标。方案C需要先跟批发客户确认预定量。最终推荐方案D，附带A、B、C为什么被排除的完整理由。" 人看到AI建议的时候，不只是看到"补100件"三个字。他看到了AI推演的完整逻辑链——考虑了哪些限制、排除了哪些选项、为什么是D不是B。 如果人觉得不对——比如区域经理知道某个供应商本周供货有问题——他可以在那个卡住的地方直接修正。AI立刻重新推演，给出新的建议。它不是黑盒。它是可以检查、可以质疑、可以修正的推理过程。人和AI一起迭代决策，而不是人审AI、AI被人推翻。 有海外研究团队在一家连锁超市真实测试过这种思路，并发布了论文。 他们做了一个AI采购Agent。不是接在超市现有ERP上的补丁，而是重新构建了一层从需求预测、供应商评分、订单生成到库存分配全部打通的决策链条。超市的买手不是在最后一环审一个AI给出来的数字，而是在整个链条中随时能看到AI的推理过程，随时可以调整限制条件。 结果呢？ 买手给AI的评分是4.7分，满分5分。物流配送路线优化提升了16%。 4.7分是什么意思？意味着买手觉得AI不是在替代他的判断。是在帮他看到更多可能性、做出更稳的选择。配送路线提升16%是什么概念？在一个毛利率经常只有个位数的行业里，物流成本每省出来一点，都是净利润。 这是AI在真实超市运营中跑出来的数据。不是概念验证，不是试点报告。 听到这里，你可能会问：那是不是得把ERP全换了？ 不是。不是推倒ERP。 ERP管的是"记录"——采购订单、销售流水、库存台账、应付账款。这件事它做了几十年，做得扎扎实实。问题是，ERP从来不是设计来管"推理"的。 它不知道一张采购订单被拒绝过两个备选方案。它不知道那批货调拨的时候因为仓库漏水临时改了路线。它不知道补货建议被否决是因为下周有品牌日。它只知道结果。不知道产生结果的过程。 ERP之上，缺了一层。缺了一层专门用来做推理、做统筹、把决策链条首尾相连的东西。 这层东西长什么样？它有四种核心能力。 第一，数据不只是记录，而是被加工过的。不只是"某商品库存10件"。而是"库存10件，其中3件预售锁定、1件质检中、2件口头预定、3件待审批处理，实际可售2件"。每条数据都带着业务含义，AI看到的不再是裸数据。 第二，规则和限制不是写死在代码里的，而是可配置、可迭代的。供应商交期变了？在运营层改一个参数，所有关联的补货建议立刻重新计算。门店优先级调整了？改一个权重，配货逻辑全局生效。不需要等技术团队排期，不需要走需求评审。 第三，工作流不是串行的接力棒，而是并行的协同网。计划员在调需求预测，配货员立刻能看到预测变化对自己仓库的冲击。采购在确认订单，补货团队立刻能看到供应商交期对门店可得性的影响。不是A做完给B，B做完给C。是所有人对着同一层信息做协同。信息在流动，不等人。 第四，AI的每一条建议都有可追溯的推理链。人不同意AI的判断？点进去看，到底是哪个限制条件出问题了。修正那个条件，全局重新推演。不是"信AI还是信人"的二选一。是人和AI在同一个沙盘上推演。 你看，这四种能力说的其实不是"要更好的AI"。说的是"要让AI真正进入经营一线，你得先铺一层让它能站稳的地板"。 AI打补丁，是让AI去适应你的旧流程。AI原生，是为AI重建让它能真正工作的新流程。 但光有框架还不够。你需要能直接拿去用的检测工具。 下面这八个问题，可以拿来问供应商、问CTO、问自己的技术团队。 第一问：促销档期临时改了，AI的补货建议能不能自动感知、实时重算？还是要人手动去告诉它"促销变了"？ 第二问：AI给出的补货建议，能不能回溯到它考虑了哪些限制条件？还是只给一个数字，背后的逻辑是黑盒？ 第三问：计划团队在调需求预测的时候，采购能不能实时看到预测变化对自己未交订单的影响？还是各做各的、每周开一次对齐会？ 第四问：门店把一批货从正常库存挪去陈列样品，这个变化能不能即时进入AI的可用库存计算？还是要等到月底盘点数据同步？ 第五问：供应商突然说交期延迟三天，补货和调拨计划能不能一键重新推演？还是要配货员手动重新做表？ 第六问：AI的建议被一线团队推翻以后，AI能不能记住被推翻的原因、下次不再犯同样的错误？还是每一次对话都从零开始？ 第七问：你的定价AI、补货AI、配货AI、促销AI，是在同一层数据和同一套限制规则上协同工作，还是各连各的API、各算各的账？ 第八问：如果今天要把决策逻辑从"毛利优先"切到"门店可得性优先"，是全公司改一个参数就全局生效，还是要让IT改五套系统的代码？ 如果你对八个问题中的大多数回答"不能"：你现在做的就是AI打补丁。 这不是说你的AI供应商不行。AI供应商都很行。问题不在AI的功能列表里。问题在AI和你的真实生意之间，少了一层楼板。 当然，这篇文章里所有的推演、计算和数据，我都做了大幅简化。真实的零售场景比这里写的复杂好几个数量级。区域差异、门店类型、品类特性、组织成熟度、供应商关系、团队能力——每个维度都会让决策变得更纠缠。一篇文章不可能穷尽。 但是，方向是清楚的。 大多数零售企业的技术投入没产生预期回报，不是因为AI不行。是因为AI被架在旧流程之上，脚不沾地。 AI打补丁让你以为自己正在做AI转型。AI原生才让你真正进入AI驱动的日常运营。 你的下一个技术决策，不是选哪家AI供应商。是先建哪一层让AI能站稳的基建。 最后，一图看全文：
相关内容 查看全部
