文/陸泓

編輯/吳羚瑋

AI正在把所有企業(yè)推到一個(gè)新考場(chǎng)上。中國(guó)互聯(lián)網(wǎng)絡(luò)信息中心發(fā)布的第57次《中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》顯示，截至2025年12月，中國(guó)生成式人工智能用戶規(guī)模已達(dá)6.02億人。用戶已經(jīng)大規(guī)模進(jìn)入AI時(shí)代，企業(yè)端的壓力也隨之變得具體：AI到底能不能進(jìn)入真實(shí)業(yè)務(wù)？它接得住企業(yè)自己的數(shù)據(jù)、流程和決策嗎？

零售行業(yè)尤其如此。過去用戶打開購(gòu)物APP，搜堅(jiān)果、餅干、牛肉干；現(xiàn)在用戶更可能說(shuō)，“我想買些吃起來(lái)沒有聲音的辦公室零食”。需求沒有消失，只是從商品名變成了場(chǎng)景、偏好和預(yù)算混在一起的模糊意圖。

這件事落在良品鋪?zhàn)由砩希y度又更高一層。作為一家SKU豐富、渠道復(fù)雜、會(huì)員資產(chǎn)重的頭部連鎖零售企業(yè)，良品鋪?zhàn)用媾R的AI命題不是“會(huì)不會(huì)聊天”，而是AI能不能讀懂人、貨、場(chǎng)背后的全新關(guān)系。

良品鋪?zhàn)觿倓偵暇€小程序的“一句話AI下單”功能，就是這家企業(yè)給出的答案。它內(nèi)嵌在良品鋪?zhàn)有〕绦蚶铮脩魧?duì)它說(shuō)一句話，AI會(huì)根據(jù)需求判斷用戶意圖，組合出符合場(chǎng)景的商品。用戶確認(rèn)商品組合后，可以一鍵下單，并通過淘寶閃購(gòu)拿到商品。

公司對(duì)這個(gè)入口寄予厚望，但這個(gè)功能本身不是故事的全部。真正值得追問的是：當(dāng)許多企業(yè)都在談AI，為什么良品鋪?zhàn)幽芸焖侔袮I推到消費(fèi)者面前？

答案并不在大模型本身，而在更早之前。

先統(tǒng)一數(shù)據(jù)口徑，再讓AI理解業(yè)務(wù)

“AI不是憑空出世就能夠解決企業(yè)所有問題。”良品鋪?zhàn)覥IO羅軼群表示。沒有完備的業(yè)務(wù)系統(tǒng)、清晰流程和可信數(shù)據(jù)，AI的作用很難真正發(fā)揮出來(lái)。

這句話放在零售企業(yè)身上尤其具體。

零售不是一個(gè)單點(diǎn)系統(tǒng)，而是一張不斷流動(dòng)的網(wǎng)絡(luò)：商品在訂單系統(tǒng)、供應(yīng)鏈系統(tǒng)、商品系統(tǒng)里流轉(zhuǎn)，會(huì)員在門店、小程序、電商平臺(tái)等渠道里留下行為，經(jīng)營(yíng)指標(biāo)又被財(cái)務(wù)、運(yùn)營(yíng)、渠道等不同團(tuán)隊(duì)反復(fù)使用。任何一個(gè)口徑不一致，都會(huì)讓后面的判斷變形。這就是AI落地前最容易被忽略的一層難題：不是企業(yè)沒有數(shù)據(jù)，而是這些數(shù)據(jù)能不能被統(tǒng)一理解。

良品鋪?zhàn)雍茉缇鸵庾R(shí)到了這個(gè)問題。2014年前后，公司開始系統(tǒng)性建設(shè)數(shù)字化能力，經(jīng)歷了“業(yè)務(wù)流程化、流程信息化、信息數(shù)字化、數(shù)字智能化”四個(gè)階段。這意味著如今良品鋪?zhàn)油七M(jìn)AI，不是臨時(shí)補(bǔ)課，而是有積累在先。

但積累不等于沒有困境。引入Dataphin之前，良品鋪?zhàn)右矅L試過基于開源技術(shù)自建大數(shù)據(jù)體系。作為一家傳統(tǒng)零食連鎖企業(yè)，它并不具備互聯(lián)網(wǎng)公司那樣深厚的技術(shù)背景，自建過程中遭遇技術(shù)挑戰(zhàn)，也難以及時(shí)滿足業(yè)務(wù)需求——這是零售行業(yè)普遍的痛點(diǎn)。

更現(xiàn)實(shí)的問題是，公司各業(yè)務(wù)系統(tǒng)每天產(chǎn)生大量數(shù)據(jù)，但這些數(shù)據(jù)存在于各系統(tǒng)的獨(dú)立標(biāo)準(zhǔn)里。同一個(gè)產(chǎn)品，在訂單系統(tǒng)和供應(yīng)鏈系統(tǒng)里，名字、定義可能并不一樣。數(shù)據(jù)各說(shuō)各話，經(jīng)營(yíng)分析和運(yùn)營(yíng)決策的基礎(chǔ)就開始松動(dòng)。

2020年，良品鋪?zhàn)右肓薉ataphin，作為數(shù)據(jù)中臺(tái)建設(shè)的重要底座。Dataphin進(jìn)入之后，幫助良品鋪?zhàn)油瓿蓴?shù)據(jù)域規(guī)劃和梳理，圍繞各業(yè)務(wù)系統(tǒng)的數(shù)據(jù)做抽取、清洗、建模和上層應(yīng)用，將數(shù)據(jù)分成12個(gè)大領(lǐng)域，在一個(gè)產(chǎn)品體系里完成治理和規(guī)范。

這不是為了某個(gè)AI功能提前埋伏，而是先解決當(dāng)時(shí)真實(shí)存在的問題：口徑統(tǒng)一、建模規(guī)范、經(jīng)營(yíng)分析可信。只是到了AI時(shí)代，這套底座的價(jià)值被重新放大。過去它讓企業(yè)更方便地看數(shù)據(jù)，今天它讓AI有機(jī)會(huì)真正看懂企業(yè)。

底座有了，但數(shù)據(jù)不能只在少數(shù)人手里

在很多企業(yè)里，數(shù)據(jù)分析仍然要經(jīng)歷提需求、排期、確認(rèn)口徑、做看板、再驗(yàn)收的協(xié)作流程。對(duì)經(jīng)營(yíng)節(jié)奏快速的零售企業(yè)來(lái)說(shuō)，答案出來(lái)時(shí)，場(chǎng)景可能已經(jīng)過去。

良品鋪?zhàn)拥囊晃划a(chǎn)品經(jīng)理對(duì)這種變化感受最直接。她說(shuō)，有時(shí)候一個(gè)需求開發(fā)一到兩周，上線后業(yè)務(wù)已經(jīng)不需要看了，“這兩周我們就白忙活了”。

現(xiàn)在，業(yè)務(wù)人員可以在已經(jīng)治理好的指標(biāo)體系上，用自然語(yǔ)言繼續(xù)追問數(shù)據(jù)，比如會(huì)員日銷售額為什么低于預(yù)期、哪個(gè)渠道的復(fù)購(gòu)率出現(xiàn)下降，再下鉆到渠道、品類、會(huì)員分層等維度尋找歸因線索。

過去數(shù)據(jù)分析是項(xiàng)目制，今天更像對(duì)話式探索：問題在哪里，就往哪里追。

Quick BI改變的是這條協(xié)作鏈路。產(chǎn)品經(jīng)理把數(shù)據(jù)集準(zhǔn)備好之后，后面的看板配置、自助分析、自助取數(shù)，可以更多交給業(yè)務(wù)自己完成。這位產(chǎn)品經(jīng)理的判斷是，自己在整個(gè)流程的工作量直接縮減了約50%，也有更多時(shí)間投入其他業(yè)務(wù)。

在羅軼群看來(lái)，Quick BI的價(jià)值可以概括為兩個(gè)字：“平權(quán)”。在這類產(chǎn)品出現(xiàn)之前，一個(gè)數(shù)據(jù)工作者不僅要對(duì)數(shù)據(jù)敏銳，某種程度上還要具備編碼能力，比如會(huì)寫Python腳本。對(duì)普通業(yè)務(wù)人員來(lái)說(shuō)，這是一道不低的門檻。

如今，業(yè)務(wù)人員只要合理表達(dá)訴求，系統(tǒng)就能幫忙追問、分析和驗(yàn)證。

對(duì)良品鋪?zhàn)舆@樣的企業(yè)來(lái)說(shuō)，會(huì)員、商品、渠道和財(cái)務(wù)指標(biāo)每天都在變化。產(chǎn)品經(jīng)理工作量縮減一半很重要，但更重要的變化是：當(dāng)財(cái)務(wù)、運(yùn)營(yíng)、會(huì)員等團(tuán)隊(duì)都能自己?jiǎn)枖?shù)、追因、驗(yàn)證時(shí)，數(shù)據(jù)第一次真正進(jìn)入了決策現(xiàn)場(chǎng)，而不是停在分析師的排期里等候。

流程，才是最后一個(gè)真正耗人的地方

當(dāng)數(shù)據(jù)底座穩(wěn)了，用數(shù)門檻降了，良品鋪?zhàn)硬趴匆娏硪粋€(gè)更耗人的環(huán)節(jié)：流程。

對(duì)良品鋪?zhàn)觼?lái)說(shuō)，會(huì)員復(fù)盤和電商運(yùn)營(yíng)，是兩個(gè)最典型的高頻運(yùn)營(yíng)場(chǎng)景。

先看會(huì)員復(fù)盤。一次會(huì)員日結(jié)束后，團(tuán)隊(duì)要從會(huì)員系統(tǒng)、銷售系統(tǒng)、數(shù)據(jù)中臺(tái)里分別導(dǎo)出報(bào)表，再抽取、分析、整合，最后對(duì)照活動(dòng)計(jì)劃寫成復(fù)盤報(bào)告。這個(gè)過程往往需要幾個(gè)人花四五天時(shí)間。

電商運(yùn)營(yíng)也是如此。一個(gè)日常運(yùn)營(yíng)崗位每天要分析日?qǐng)?bào)，觀察關(guān)鍵指標(biāo)變化，再判斷要不要調(diào)整商品主詞、賣點(diǎn)、圖片或上架策略。它看起來(lái)是經(jīng)驗(yàn)活，但其中大量環(huán)節(jié)其實(shí)是重復(fù)工作。

這些規(guī)則清晰、數(shù)據(jù)密集、流程固定的工作，正適合先交給Agent試跑。

2026年初，OpenClaw 開始在開發(fā)者和企業(yè)數(shù)字化圈層中走紅。在中國(guó)，這款A(yù)gent工具更常被叫作“龍蝦智能體”。很多企業(yè)都在嘗試把它放進(jìn)辦公和業(yè)務(wù)流程里提高效率。

但對(duì)企業(yè)來(lái)說(shuō)，真正的差別不在于誰(shuí)先嘗鮮，而是誰(shuí)能把新工具迅速接進(jìn)真實(shí)業(yè)務(wù)。得益于前期數(shù)據(jù)底座、會(huì)員中臺(tái)和業(yè)務(wù)流程的建設(shè)，良品鋪?zhàn)釉贏gent產(chǎn)品熱度剛起來(lái)時(shí)，就很快把相關(guān)工具引入會(huì)員復(fù)盤、電商運(yùn)營(yíng)、財(cái)務(wù)報(bào)表合并等場(chǎng)景，龍蝦智能體正是其中一個(gè)。

過去，會(huì)員復(fù)盤要幾個(gè)人做四五天，現(xiàn)在讓Agent按照分析框架處理數(shù)據(jù)，幾分鐘就可以輸出結(jié)果，總成本低于一杯咖啡的價(jià)格。

不過，真正重要的不是某個(gè)Agent本身，而是它為什么能進(jìn)入這些流程。良品鋪?zhàn)咏尤階gent時(shí)遇到的阻力較少，得益于公司過去十幾年的數(shù)字化建設(shè)——業(yè)務(wù)流程在系統(tǒng)里，數(shù)據(jù)在線，核心數(shù)據(jù)能實(shí)時(shí)體現(xiàn)。

羅軼群認(rèn)為，智能體能快速進(jìn)入公司流程，背后有三個(gè)條件缺一不可：大模型的理解和推理能力是前提；良品鋪?zhàn)佣嗄杲ㄔO(shè)的數(shù)據(jù)中臺(tái)和會(huì)員中臺(tái)，以及豐富的產(chǎn)品庫(kù)是基礎(chǔ)；原材料、溯源信息、產(chǎn)品賣點(diǎn)、適用人群、過往消費(fèi)聲量等數(shù)據(jù)經(jīng)過結(jié)構(gòu)化、向量化處理，則是智能體真正能“讀懂”業(yè)務(wù)的關(guān)鍵。

三個(gè)條件里，后兩個(gè)都是良品鋪?zhàn)幼约悍e累出來(lái)的。

Dataphin和Quick BI在這個(gè)故事里的位置，更像幕后底座的一部分。Dataphin幫助良品鋪?zhàn)影逊稚?shù)據(jù)治理成統(tǒng)一、可信、可復(fù)用的資產(chǎn)；Quick BI讓數(shù)據(jù)進(jìn)入財(cái)務(wù)、運(yùn)營(yíng)、會(huì)員等業(yè)務(wù)團(tuán)隊(duì)的日常判斷。這些能力不直接等同于某個(gè)AI功能，卻構(gòu)成了AI落地之前重要的企業(yè)基礎(chǔ)。

AI焦慮存在于各行各業(yè)，零售只是最先被消費(fèi)者變化推到前臺(tái)的行業(yè)之一。對(duì)零售企業(yè)來(lái)說(shuō)，從搜索到意圖，變化發(fā)生在前臺(tái)；從數(shù)據(jù)治理到業(yè)務(wù)用數(shù)，變化發(fā)生在后臺(tái)。真正讓這件事變得可能的，是良品鋪?zhàn)釉贏I還沒有成為顯學(xué)之前，就持續(xù)把自己的業(yè)務(wù)、流程和數(shù)據(jù)整理清楚。

良品鋪?zhàn)拥臉颖緝r(jià)值正在于此：它不是用一個(gè)前臺(tái)功能證明自己“上了AI”，而是用這個(gè)功能反向呈現(xiàn)一家企業(yè)多年沉下去的底座能力。

這比單點(diǎn)工具更慢，也更難被看見，但恰恰決定了AI能不能從演示走進(jìn)經(jīng)營(yíng)。對(duì)零售企業(yè)如此，對(duì)更多正在被AI重塑的行業(yè)也是如此。

▲《 <出海26講> 跨境新商通識(shí)課全面上線》

▲《「鮮生」奪人 農(nóng)貨的品牌征途》

▲《2024出海攻略》

▲《新微商主義》

▲《新獲客時(shí)代》

▲《新搜索時(shí)代》

▲ 品牌案例洞察