零售行業(yè)在數(shù)字化階段就算是走的比較靠前的行業(yè)之一，但因為其復(fù)雜度較高，場景選擇面極廣，涵蓋了“人、貨、場”，并覆蓋了從供應(yīng)鏈到C端用戶等多個維度的場景，因此存在AI應(yīng)用落地如何更具性價比、如何選擇場景等難題。

在鈦媒體2025 ITValue Summit前瞻之AI落地指南系列直播中，鈦媒體集團聯(lián)合創(chuàng)始人劉湘明與多點數(shù)智AI業(yè)務(wù)負責人陳品竹就圍繞上述零售行業(yè)AI應(yīng)用落地的痛點話題展開了討論。

“原先需要人力密集的重復(fù)性工作，現(xiàn)在可以通過類似RPA（Robotic Process Automation，機器人流程自動化）的工具解決。隨著大模型能力增強，分析類、建議類甚至推理工作都能交給 AI 完成?！标惼分駨娬{(diào)，這種轉(zhuǎn)變不僅發(fā)生在面向消費者的C端，在幫助B端企業(yè)收集C端用戶真實訴求方面，AI也帶來了信息獲取方式的根本性改變。

在陳品竹看來，零售行業(yè)落地AI應(yīng)用需要從兩個維度進行考量。

一個維度是業(yè)務(wù)指標貢獻度的高低。“業(yè)務(wù)指標可以分為產(chǎn)品類、財務(wù)類、人效類等。比如，通過AI技術(shù)是節(jié)省員工工作時間了，還是帶來直接收入了，還是提升產(chǎn)品影響力，或者提升市場占有率了。這些都屬于業(yè)務(wù)指標。”陳品竹指出。

另一個維度是場景的技術(shù)成熟度。陳品竹表示，技術(shù)成熟度中，首先是模型的成熟度，其次是數(shù)據(jù)成熟度；第三是業(yè)務(wù)流程匹配度?！耙驗樾枰獙⒓夹g(shù)與場景串起來，就需要業(yè)務(wù)流程的匹配度，以及場景對性能的要求等等，這些指標我們都統(tǒng)一認為是技術(shù)成熟度的組成部分?！标惼分窠忉尩馈?/p>

零售行業(yè)對于AI的需求也存在差異，從需求角度出發(fā)，目前零售行業(yè)根據(jù)不同體量，不同業(yè)務(wù)需求，也呈現(xiàn)出明顯的分層特征。對此，陳品竹表示，盡管降本增收、提升用戶體驗是所有零售商的共同目標，但不同規(guī)模企業(yè)的優(yōu)先級和實現(xiàn)路徑存在顯著差異。

大型零售商更關(guān)注整體流程的統(tǒng)一標準化。以貨架陳列為例，不同地理位置、不同規(guī)模的門店在商品擺放上往往依賴店長經(jīng)驗，難以形成統(tǒng)一標準，直接影響銷售效果?！爱斢辛薃I能力之后，這些管理流程可以通過AI實現(xiàn)標準化?！标惼分癖硎?。

對于腰部企業(yè)而言，核心訴求則是將人力從重復(fù)性工作中解放出來，投入更有價值的創(chuàng)造性工作。陳品竹指出：“這些企業(yè)面臨的最大痛點是如何提升人效，讓員工聚焦高價值任務(wù)?！边@種需求差異決定了 AI 解決方案必須采取差異化策略。

在陳品竹看來，AI在零售行業(yè)的成功落地并非單純的技術(shù)問題，而是需要組織、數(shù)據(jù)與技術(shù)的協(xié)同演進。陳品竹表示，AI落地最重要的是一把手工程?！耙驗锳I會重構(gòu)組織和經(jīng)營方式，需要企業(yè)管理者從戰(zhàn)略層面思考AI能解決什么問題，而不僅是引入一個工具?！标惼分裰赋?。

數(shù)據(jù)基礎(chǔ)是AI應(yīng)用的另一關(guān)鍵因素。多點數(shù)智的實踐表明，圍繞“進銷存“的核心數(shù)據(jù)相對齊全，但難以結(jié)構(gòu)化的行業(yè)知識和外部市場信息仍是短板?！昂芏嘟?jīng)驗存在于從業(yè)者腦子里，很難轉(zhuǎn)化為可用數(shù)據(jù)?！标惼分裰赋?，這部分知識的沉淀和外部合規(guī)數(shù)據(jù)的引入將是未來提升AI效果的關(guān)鍵。

附上本期直播時間軸，幫你快速跳轉(zhuǎn)感興趣的部分。

00：08：02 AI在零售業(yè)中的應(yīng)用場景

00：12：13 梳理需求與優(yōu)先級評估

00：15：32 如何選擇模型產(chǎn)品與適配場景

00：18：42 AI在零售業(yè)成熟度分析

00：42：17 AI在零售業(yè)應(yīng)用挑戰(zhàn)

以下為對話實錄，經(jīng)鈦媒體APP整理：

劉湘明：在零售業(yè)務(wù)場景中，大模型是否帶來了一些顯著的改變？

陳品竹：變化還是比較明顯的。從大模型能力來看，大模型在自然語言處理方面，其泛化能力，推理能力非常強。這就導(dǎo)致了我們產(chǎn)品交互的形態(tài)上（人機交互），發(fā)生了很大的變化。

與此同時，我們產(chǎn)品能為顧客提供的價值點也在發(fā)生變化。比如，原先需要人力密集的、重復(fù)性高的工作，就可以通過類似RPA的工具解決。包括，隨著大模型的能力越來越強，分析類、建議類，甚至很多推理的工作，都可以交給大模型完成。

此外，還有很多數(shù)據(jù)積累類的工作，諸如商品信息收集，AI導(dǎo)購助手等工作，也可以通過AI實現(xiàn)。一方面是C端很多的應(yīng)用，另一方面，面向B端，也有很多通過AI幫助B端企業(yè)去收集C端用戶的真實訴求，這就導(dǎo)致了信息獲取方式上的變化。

原先很多傳統(tǒng)技術(shù)不太能實現(xiàn)的地方，大模型出現(xiàn)之后，將這些功能、產(chǎn)品都重新做了一遍。

劉湘明：AI出現(xiàn)之后，“人貨場”這個組合有何變化？

陳品竹：目前來看，“人貨場”的變化并不是很明顯。人貨場是一個比較泛的概念，我們圍繞人貨場的AI應(yīng)用可能會存在一些不同之處。

劉湘明：當前零售客戶對AI的最迫切需求是什么？是降本、增收，還是用戶體驗升級？不同規(guī)模客戶的需求是否存在差異？

陳品竹：從我們的觀察的角度出發(fā)，不同規(guī)模的客戶，有一些共同的訴求。比如，降本增收、提升用戶體驗，這兩個是通用的訴求點。只是存在一些優(yōu)先級的差別。目前來看，增收的需求是最強的，同時，降本的訴求也很迫切。然后是用戶體驗的提升。

落地到具體場景中來看，比如，在人不太愿意干，并且是頻繁、重復(fù)性的工作方面，以及人可能干不好，需要讓有經(jīng)驗?zāi)芰Φ娜俗龅墓ぷ?，這些工作可以用AI幫助進行，是客戶目前需求比較迫切的地方。

但是，根據(jù)零售商的規(guī)模不同，雖然降本增效的需求是相同的，但體現(xiàn)在流程上會有些不同。比如，大型零售商而言，他們更多關(guān)注的是整體流程統(tǒng)一標準化。以陳列為例，針對不同地理位置、不同規(guī)模的門店，貨架陳列、選品也存在不同。在商品擺放的時候，如果沒有一個系統(tǒng)進行管理，很難實現(xiàn)標準化。以烘焙為例，蛋糕的擺放是松散一點，還是豐富一點，都是根據(jù)店長的個人經(jīng)驗進行管理的，而這點也可能對銷售產(chǎn)生影響。當有了AI能力之后，這些管理的流程，我們可以通過AI實現(xiàn)標準化。

對于中部、腰部企業(yè)而言，他們更多關(guān)心有一些重復(fù)的事情，如何能將人力更多的從這些重復(fù)的事情中釋放出來，去做一些更有價值的事。

劉湘明：就零售行業(yè)而言，哪些場景中，AI應(yīng)用對場景的改變比較大？

陳品竹：從兩個維度來看這件事。一個是目前對于客戶來講，在零售行業(yè)，仍處于初期，客戶會提出一些需求的場景，這些場景不一定是AI落地的，但這些需求有時候都體現(xiàn)在一些重復(fù)性非常高的場景里。比如供應(yīng)商資質(zhì)審核，在審核的過程中，不僅要看供應(yīng)商的資質(zhì)，在進貨的過程中，還要看每個商品的資質(zhì)。這個過程就需要人收集資料，然后完成檢查，同時還要追溯資料的有效期。在換品的過程中，就需要重新審核資料，工作量很大。在沒有AI的時候，只能依靠人工完成，是屬于重復(fù)性高、頻繁的工作。

此外，還有流程標準化方面，這點不僅是零售行業(yè)，各行業(yè)企業(yè)都面臨這個問題，尤其是大企業(yè)內(nèi)部，人員規(guī)模大了之后，組織架構(gòu)也會復(fù)雜，在上傳下達的過程中，很多戰(zhàn)略落地會變形。

這時候，就需要一套體系化的系統(tǒng)，幫助企業(yè)完成標準化的設(shè)計與落地執(zhí)行。之前傳統(tǒng)系統(tǒng)更多是依靠流程完成，AI問世之后，零售商就會思考，能不能通過AI實現(xiàn)流程的標準化。

另外，還有一些需求，比如需要幫助企業(yè)收集多維度信息，但在這些需求收集的數(shù)據(jù)完整度不高，數(shù)據(jù)質(zhì)量不好的時候，AI是很難發(fā)揮作用的。

綜合來看，我們的客戶需要在流程上、標準化上，以及信息處理上，通過AI技術(shù)得到提升。在落地難易度上看，技術(shù)成熟度高，且產(chǎn)生價值比較大的場景中，是AI比較好落地的場景。

劉湘明：多點數(shù)智如何完成需求的梳理？比如哪些需求是真的，哪些需求優(yōu)先級更高。

陳品竹：需求梳理有一個簡單的方法，我們從兩個維度、四個象限進行梳理。

第一個維度是業(yè)務(wù)指標貢獻度的高低。業(yè)務(wù)指標可以分為產(chǎn)品類、財務(wù)類、人效類等。比如，通過AI技術(shù)是節(jié)省員工工作時間了，還是帶來直接收入了，還是提升產(chǎn)品影響力，或者提升市場占有率了。這些都屬于業(yè)務(wù)指標。

第二個維度是場景的技術(shù)成熟度。技術(shù)成熟度中首當其沖的是大模型，也就是模型的成熟度，進而很重要的一點是數(shù)據(jù)成熟度，數(shù)據(jù)是否完整，是易加工的。再然后因為需要將技術(shù)與場景串起來，就需要業(yè)務(wù)流程的投入度，以及場景對性能的要求等等，這些指標我們都統(tǒng)一認為是技術(shù)成熟度的組成部分。

這兩個維度就組成了四個象限。如果業(yè)務(wù)指標高，技術(shù)成熟度也高的象限，我們肯定會重點投入；如果業(yè)務(wù)指標高，但技術(shù)成熟度沒那么高的，比如AI助手、智能客服等場景，我認為前期可以投入一些資源，因為隨著未來模型能力的提升，技術(shù)成熟度會逐漸變高，就會向著兩個維度都高的象限遷移。所以在這個象限里的需求，我們會做一些技術(shù)創(chuàng)新。

其余兩個象限。一個是技術(shù)成熟度高，但業(yè)務(wù)指標低的，這類型的需求就要謹慎投入，有可能陷入“自嗨”，因為技術(shù)成熟度高，很容易實現(xiàn)，但實現(xiàn)后會發(fā)現(xiàn)，可能這款產(chǎn)品不太容易被市場接受。而對于處在兩個維度都很低的象限的需求，就會徹底放棄。

劉湘明：物美是如何根據(jù)不同場景，選擇適合的大模型的？使用哪個大模型產(chǎn)品比較多？

陳品竹：與我們有合作的模型合作伙伴的模型我們基本都有用到。比如千問、火山，包括GPT等大型的模型服務(wù)商都有合作。我們主要還是根據(jù)場景，選擇模型。

在做AI產(chǎn)品的時候，我們都需要做POC，POC的過程中，我們會比對不同模型之間的效果，然后根據(jù)模型技術(shù)特點，進行篩選，并沒有一個很固定的傾向，要用其所長。

劉湘明：你能否舉例說明一下，不同的場景適配什么樣的大模型？

陳品竹：比如多Agent協(xié)同的過程中，Agent內(nèi)部溝通的時候，就會存在token過長的問題，這是個難題。解決這個問題需要投入的研發(fā)成本很高，而且處理完之后，不一定將來就被固定下來，這個時候我們會選用Gemini，因為其上下文能力很強，就能讓我們暫時不用考慮token過長的問題。

再比如，想一下語言類交互的場景，尤其是中文的場景，我們會用千問多一點，因為它在中文理解上的能力很優(yōu)秀；在多模態(tài)場景上，我們用火山引擎的模型會多一些。

劉湘明：多點數(shù)智目前針對多少個場景開發(fā)了AI應(yīng)用？

陳品竹：大概有10多個。我們從“人貨場”的方向出發(fā)，梳理一下?！皥觥笔情T店這類場景，我們有智能巡檢、智能防損、無人夜收這類的產(chǎn)品；“貨”就是商品，我們有補貨、出清、選品，還有一款產(chǎn)品叫鮮算，是對這種現(xiàn)加工商品進行生產(chǎn)計劃的產(chǎn)品；“人”是員工，比如導(dǎo)購、客服等產(chǎn)品都推出了一些產(chǎn)品。

劉湘明：如果給這些場景成熟度打個分，你覺得哪些場景現(xiàn)在應(yīng)用的成熟度最高？哪些是還有一定提升空間的？

陳品竹：在“場”這個大場景下，我們布局比較早，因為場這個場景下，很多是跟視覺相關(guān)的，本身在這方面，我們多年來也投入了很多算法研發(fā)，所以，這個場景內(nèi)，技術(shù)成熟度相對較高。以及回到象限來說，客戶需求和技術(shù)成熟度都比較高，所以這塊算是比較成熟的部分，使用的也很好。

然后像商品出清、補貨這部分也是，其實在大模型問世之前，很多基于傳統(tǒng)算法，進行預(yù)測、時序等，也是能解決問題的，只是說傳統(tǒng)算法在解決的過程中，存在局限性，或者ROI不好等問題。大模型來了之后，用大模型技術(shù)就能很好的幫我們解決這部分的問題。包括算法精準度、何時重新進行訓(xùn)練等問題，其實通過生成式AI，可以很好幫我們完成，可以讓我們的預(yù)測變得更準。

像偏探索的部分，其實也是做了一段時間之后，發(fā)現(xiàn)比較難的部分，比如像導(dǎo)購、助手之類的。因為首先，這個部分我們面向的客戶不太一樣，我們要面向全國和全世界的用戶，就會發(fā)現(xiàn)使用的語言、語境不同，然后業(yè)務(wù)會出現(xiàn)大量不標準的部分，以及整個零售行業(yè)的鏈條又比較長，每個場景又不夠復(fù)雜。所以最開始的時候，我們盡量想做一個，起碼在某一個產(chǎn)品領(lǐng)域（或者說某一個相對獨立的業(yè)務(wù)單元里），能夠起到很好作用的AI助手，但這個也很難。

所以從行業(yè)上來看，我們也逐漸在回到從小的需求出發(fā)，不斷嘗試，像這些地方，技術(shù)成熟度其實沒有那么高。雖然看上去可能只是個助手、對話，但其實對底層業(yè)務(wù)架構(gòu)來說，需要打通，并且，需要對數(shù)據(jù)進行整理、打通，這些方面的要求非常高。所以這些部分，我們還在探索階段，也還有很大的提升空間。不過這個方向我們還是很好看的，覺得未來一定會以AI的形態(tài)出現(xiàn)，對產(chǎn)品進行改造。

劉湘明：選品、補貨一直以來都是零售行業(yè)比較大的挑戰(zhàn)之一，AI能在這些方面帶來哪些改變？提升效果如何？

陳品竹：選品的挑戰(zhàn)確實比較大，選品面臨的問題會很多，因為選品對于零售行業(yè)而言，是自身定位和戰(zhàn)略決策的問題。而且選品串聯(lián)的流程比較長。如果從選品和補貨場景來說，其實補貨場景的成熟度會更高一些。補貨場景中，從預(yù)測角度上來看，其實與品類也有很大的關(guān)系。每個品類的銷售表現(xiàn)，以及整個供應(yīng)鏈的情況都不一樣。但是在補貨場景我們有很好的基礎(chǔ)，多點做自己的OS也有10年了，也沉淀了很多的數(shù)據(jù)（經(jīng)過客戶授權(quán)同意的數(shù)據(jù)）。我們會拿這些數(shù)據(jù)做一些訓(xùn)練，主要訓(xùn)練模型對商品的理解，比如淺層面是對商品本身基礎(chǔ)信息的理解，然后是整個物流表現(xiàn)信息的理解，還有銷售信息的理解。

比如基礎(chǔ)信息，像印在商品上的配料表、名稱、價格，甚至是國標、規(guī)格等等信息，然后還有一些視覺信息，比如是圓形的，箱裝的，以及產(chǎn)品的顏色等等。同時還有一些跟場景相關(guān)的信息，比如銷售場景相關(guān)的，例如散裝的商品可能更多是個人買，箱裝的可能是家庭周期性補貨，或者送禮等場景。

在供應(yīng)鏈環(huán)節(jié)，也可以識別出，是普通常溫，還是冷藏，然后一拍有多少個等等，這些信息是很好獲取的。有了這些信息之后，就可以實現(xiàn)甚至是SKU級別的預(yù)測。當沒有AI的時候，通過傳統(tǒng)的方式，我們需要花費很多人力，需要有算法工程師每天洗數(shù)據(jù)，然后再調(diào)模型。但是，當生成式AI出現(xiàn)之后，有些事情就可以交給AI去做，解放了算法人員，讓AI幫助我們內(nèi)部員工先實現(xiàn)提效的同時，還能實現(xiàn)更精準的調(diào)整模型。

同時，有時候零售商的商品策略、經(jīng)營策略發(fā)生了變化。模型就開始不準了，就需要重新調(diào)整，而這個環(huán)節(jié)也可以讓AI參與。這樣做雖然有些算法看似還是傳統(tǒng)算法，但其實算法的背后是被AI賦能過的，通過AI就極大的提高了預(yù)測的準確度。

劉湘明：多點有沒有訓(xùn)練自己的專屬模型？

陳品竹：我們確實在訓(xùn)練自己的專屬模型，不過在這個過程中態(tài)度比較謹慎。大模型我們肯定自己不做，但我們會基于大模型和一些特殊的場景，訓(xùn)練一些小模型，然后在固定場景中完成一些工作。

但如果說是不是可以通過一個或幾個大模型就能打造出零售行業(yè)的大模型，完成所有事？我們其實還有點早。而且從經(jīng)營角度上看，我覺得ROI并不高。因為本身大模型能力進化非?？欤钥梢浴白屪訌椩亠w會”，等到投入產(chǎn)出比算不過來的時候，或者說必須要做一些微調(diào)的時候，我們才會做這個事。所以目前，還是靠RAG，Agent去解決一些行業(yè)問題，但是有些場景其實也在做的過程中。

劉湘明：如何確定小模型的顆粒度？什么樣的顆粒度會做一個小模型？

陳品竹：還是從場景、功能的角度劃分。每次微調(diào)完模型之后，我們還需要重新對模型的性能特點進行評估。如果我們將過多能力疊加在一起的話，模型成本也會比較高。

對于零售行業(yè)來說，比較復(fù)雜，且標準化程度并不高。同時，零售行業(yè)面向的客戶群體大中小規(guī)模的都有，且既有國內(nèi)的，也有國外的。所以，雖然看似是一個獨立的模塊或產(chǎn)品域，但其實已經(jīng)足夠復(fù)雜。這個時候，如果企業(yè)過早的額進行模型訓(xùn)練的話，就會發(fā)現(xiàn)，需要不斷的調(diào)整模型，如果初期這樣做的話，即便是很小的一個場景，人員投入成本投入會很高。比如意圖識別（根據(jù)語義，指令，做一個指令的路由），即便就這么一個小模型，投入也很高，而且還需要經(jīng)常修改。所以這類型的事情，我們后期換成了RAG，一個研發(fā)人員就能解決這個問題。

劉湘明：場景如何一步步迭代？是通過時間，還是效果？

陳品竹：主要還是按照效果。

劉湘明：AI訓(xùn)練里面最重要的是數(shù)據(jù)，多點訓(xùn)練模型過程中，最關(guān)鍵的數(shù)據(jù)來自哪里？目前訓(xùn)練過程中，還缺少那些數(shù)據(jù)？

陳品竹：數(shù)據(jù)來源方面，首先主要數(shù)據(jù)來源還是來自于客戶授權(quán)后的數(shù)據(jù)，因為我們提供端到端的解決方案，所以整個鏈條的數(shù)據(jù)還是比較全的，主要就是圍繞“進銷存”的數(shù)據(jù)，相對還很齊全。我們對商品的訓(xùn)練、對商品的理解，無論是場景，還是數(shù)據(jù)，都比較充分。

欠缺的部分其實是很難被結(jié)構(gòu)化、向量化的行業(yè)知識。因為這部分的知識大多在行業(yè)從業(yè)者的腦子里，這部分的內(nèi)容主要表現(xiàn)為：員工會干這件事，但是很難說出來，將這部分知識轉(zhuǎn)化成文字或者語言的時候，就會發(fā)現(xiàn)缺失很多內(nèi)容，從而變得不可用。這是比較難的一個部分，我們想講它沉淀下來，讓這部分內(nèi)容不困難。

此外，客戶還需要很多外部市場上的信息，做一些洞察。這部分從合規(guī)的角度出發(fā)，我們也做的比較謹慎，但客戶這方面的需求比較旺盛。所以，這部分的數(shù)據(jù)，如果能以合規(guī)的方式加進模型的訓(xùn)練中，也是比較好的一個點。這也是目前比較缺失的部分。

劉湘明：多點本身在物美積累了足夠的實踐，這些AI實踐拿到外部應(yīng)用的時候會不會遭遇水土不服，具體體現(xiàn)是什么？

陳品竹：AI技術(shù)賦能客戶導(dǎo)致水土不服情況比較少。但在AI來臨之前，遇見過一些“水土不服”的情況。傳統(tǒng)的開發(fā)的階段，物美信息化做的就很好。在對外輸出的時候，一是因為存在剛開始做，本身經(jīng)驗不足的問題，此外，有些客戶在數(shù)字化方面的認知不夠，有些功能可能對他來說，已經(jīng)不早了，但當他沒有發(fā)展到一定規(guī)模的時候，有些事情是看不到的，所以會遇見一些問題。

在這個過程中，我們會調(diào)整我們的產(chǎn)品，豐富能力之后，在將產(chǎn)品抽象化。重新設(shè)計一些之前設(shè)計不夠好的產(chǎn)品。在這方面我們也積累了很多經(jīng)驗。在AI來了之后，我們用新的技術(shù)，去解決了一些老場景的問題，這個過程中，之前老場景中積累下的經(jīng)驗就顯得很寶貴。我們在一開始設(shè)計的時候，就會考慮這些問題。

而且，現(xiàn)在AI，尤其是零售行業(yè)這樣的ToB行業(yè)，沒有會拿整套AI的技術(shù)，重構(gòu)整個鏈條，其實AI更多的是解決某個點上的問題，然后剩下的問題是流程上的事，還是用傳統(tǒng)技術(shù)做。所以我們抽象的比較好一些的話，其實在AI時代，遇見“水土不服”的是相對少一些。此外，在海外，像法律、法規(guī)這樣的問題，還是有挑戰(zhàn)的點。

劉湘明：在物美內(nèi)部，AI應(yīng)用與傳統(tǒng)系統(tǒng)之間的關(guān)系是什么樣的？

陳品竹：從兩個方面來看，對物美來說，因為原先物美的系統(tǒng)就都是多點提供的服務(wù)，開發(fā)的AI類產(chǎn)品也基本都是在原有的OS上，所以兼容性一定是最好的，對于物美來說，AI應(yīng)用與傳統(tǒng)系統(tǒng)之間相對就比較順滑。

因為我們AI產(chǎn)品也可以獨立于我們自己的OS，對外輸出的。對于外部客戶來說，會像一個插件、一個獨立模塊，或者集成的方式，提供服務(wù)，與客戶現(xiàn)有的ERP，或者一些其他系統(tǒng)進行集成。

劉湘明：從客戶角度出發(fā)，AI應(yīng)用的ROI與部署周期，相較于傳統(tǒng)IT系統(tǒng)有何變化？

陳品竹：從客戶角度出發(fā)，AI項目的部署周期，會比傳統(tǒng)，諸如ERP這樣的大項目短很多。因為目前AI應(yīng)用可能更多的是集中在某一個點上完成一些工作，更多的是提供算法能力、大模型能力。這種項目周期會相對短一些。比如出清的場景，或者執(zhí)行計劃類的項目。從POC開始，到最后部署上線可能需要3~4個月的時間，長一點的可能要半年。

劉湘明：目前，商超客戶對于AI應(yīng)用最大的顧慮是什么？

陳品竹：目前AI在零售業(yè)還是處于早期階段。比如，去年我們接觸客戶的時候，還不太敢談AI，客戶會覺得AI可能是噱頭，不太能落地?？蛻舯旧碜约阂膊惶宄嗀I能做什么。但是今年開始，客戶會主動去聊AI應(yīng)用。主要聊的方向有兩種類型。一種是集中在某些點，比如某一個點很“痛”，能不能通過AI幫我做一下，解決問題。然后做個POC，如果OK，就展開合作。

另一些比較大體量的客戶，已經(jīng)在做整體的AI規(guī)劃，三年期起的AI規(guī)劃，比如整體業(yè)務(wù)如何在AI下進行調(diào)整。這些客戶開始非常積極的擁抱AI，這些事明顯的變化。

但實際再細化一些，比如怎么做，方案是什么樣的，這些細化的地方，客戶與行業(yè)內(nèi)的從業(yè)者相比，認知相差比較大。整體來看，客戶知道AI能給他帶來變化，但目前是不是他們，就又回到剛才說的象限里面：客戶可能覺得商業(yè)價值可以，業(yè)務(wù)指標也可以。像這塊沒有數(shù)據(jù)，但用戶會說，AI是不是也能幫我這件事？

所以我覺得零售行業(yè)AI應(yīng)用比較大的一個挑戰(zhàn)是：從業(yè)者對AI的認知，或者說AI能在業(yè)務(wù)中幫客戶完成哪些事。這些層面的事，并不像傳統(tǒng)軟件應(yīng)用階段那樣清晰。所以這部分前期溝通成本會比較高。

其次，有些企業(yè)AI人才儲備不充足，并且企業(yè)內(nèi)部目標不一致。因為零售行業(yè)有業(yè)務(wù)方，有CIO體系。很多技術(shù)軟件是CIO負責對接。在零售行業(yè)內(nèi)部，CIO肯定是對技術(shù)最了解的人，但企業(yè)內(nèi)部溝通過程中，就會存在一些目標上，或者說溝通上的偏差，而這些偏差也會影響最后AI落地的情況。

當然，最最終極的話題——AI一定是一個一把手工程。

劉湘明：多點是如何幫助中小型商超降低AI使用門檻的？

陳品竹：我們在做產(chǎn)品實際的時候，會考慮到復(fù)雜度的情況，所以在設(shè)計之初，我們不會將系統(tǒng)設(shè)計的過于復(fù)雜。比如預(yù)測類產(chǎn)品，我們會明確將預(yù)測結(jié)果，按照客戶希望的維度，比如銷量、庫存等，直接告訴用戶預(yù)測結(jié)果是這樣的，如果客戶覺得不ok，可以進行調(diào)整。

諸如總部的工作人員，或者能力較高的人員來說，這樣的能力就可以了。在一些偏執(zhí)行員工層面，我們還會通過輔助用AI幫員工做一些解釋，告訴他們背后的邏輯是什么樣的。

所以在本身AI使用場景上來說，并沒有很多困難的挑戰(zhàn)。更多的挑戰(zhàn)還是集中在早期設(shè)計方案，以及能力的溝通上。

劉湘明：多點如何把控AI幻覺，以及出現(xiàn)錯誤策略，所帶來的風(fēng)險？

陳品竹：從兩方面來看，一方面，我們從產(chǎn)品形態(tài)上杜絕這種事。比如說預(yù)測類產(chǎn)品，我們不會干涉它的生產(chǎn)流程，而且輸出的結(jié)果是非常固定的，所以就算出現(xiàn)了幻覺，最終決策的還是人，所以不會對結(jié)果，或者生產(chǎn)產(chǎn)生太大的不良影響。

另一方面，在偏對話類的產(chǎn)品中，需要嚴格把控輸出給使用者的內(nèi)容的。我們再本身架構(gòu)設(shè)計上，以及上線之前，專門做了一個安全模塊，通過安全模塊做一些檢查。同時，我們會采購一些比較成熟的公司的產(chǎn)品，并進行合規(guī)檢查。

此外，AI只是一個技術(shù)，與傳統(tǒng)開發(fā)相比，在質(zhì)量保障上來看，我覺得差別不大。傳統(tǒng)開發(fā)SOP流程已經(jīng)被驗證了，與傳統(tǒng)開發(fā)相比無非就是某些點，集中做的不一樣而已。所以在AI部署時，我們也可以做像開關(guān)，監(jiān)測，以及AB測試等，這些傳統(tǒng)開發(fā)的方案可以直接借鑒過來使用。

劉湘明：AI是否重構(gòu)了零售企業(yè)崗位？未來人機協(xié)同如何發(fā)展？

陳品竹：重構(gòu)是一定的。因為人機交互模式在變化，做事情的要求在變化——員工可能有更多的時間，做更有價值的事，或者擅長的事。而一些不擅長的，重復(fù)性的工作，可以讓AI幫員工完成。

我覺得AI來了之后，零售商可以將流程簡化、標準化，讓人可以更好地做更有價值的事。而對人員本身的能力和要求，也在發(fā)生變化。

劉湘明：商超員工在應(yīng)用AI過程中的反應(yīng)如何？是抵觸，還是積極？

陳品竹：都有。有一些員工非常歡迎和積極，他們認為：太好了，以后把我解放了，我可以解放出來去做別的事了。有的確實存在抵觸心理，他們覺得，因為AI畢竟是黑盒的狀態(tài)，這些員工可能覺得AI不太靠譜。

AI太偏技術(shù)了，很難跟客戶解釋。而且我們也不可能跟每一個使用者都解釋的這么細，有一些人就覺得AI就是沒我好，或者覺得AI就是來替代我的。

但 AI 是大趨勢，總體來說，尤其是在需要復(fù)雜信息綜合處理得到結(jié)論的場景下，AI 會比員工的平均水平高很多，甚至優(yōu)于最好的員工。

劉湘明：我們正在準備一個AI落地最重要的10個問題的研究報告，你認為從客戶角度來看，AI落地最需要注意的問題是什么，不限于一個。

陳品竹：首先，AI落地最重要的事還是：一把手工程。因為AI會重構(gòu)組織和經(jīng)營，而且企業(yè)用AI用的越多，重構(gòu)的就越徹底。企業(yè)管理者思考的并不是來了一個系統(tǒng)，或者來了一個AI，我的企業(yè)就變好了。而是企業(yè)要思考：希望AI幫我做什么，當前遇見的問題是什么，而AI能恰好幫助企業(yè)解決這個問題，這才是企業(yè)級AI最好的解。企業(yè)內(nèi)部先發(fā)起，并進行思考，而這件事一定是一把手去做的。同時，AI需要資源的投入。

其次，企業(yè)需要考慮有沒有使用的環(huán)境。環(huán)境層面，人是一方面，另一方面很重要的是數(shù)據(jù)。企業(yè)想應(yīng)用AI的業(yè)務(wù)單元或者產(chǎn)品域中，數(shù)據(jù)成熟度夠不夠。如果數(shù)據(jù)不完整的話，即便AI來了，也不太可能快速的起到效果。