來源：市場資訊

（來源：圣農集團）

在圣農，一位零售負責人用飛書 aily 訓練出了自己的數字分身。它叫“天啟”——MBTI 人格是 INTJ 建筑師型，喜歡搭體系；而他自己則是 ENTJ 指揮官型，習慣向外推動。他說，天啟正讓他的經營判斷，更快抵達一線。

5 月上旬，圣農零售的業績看板上，幾組數字并不好看。

時間進度已經走到 39%，但渠道線 A 達成率只有 19%，B 只有 15%，C 只有 4%——三條渠道線同時亮紅燈。在一個每月背負數億銷售目標的零售盤面里，這些數字不是普通波動，而是需要被盡快拆解的經營信號。問題是，數字雖然每天都在刷新，管理動作卻未必能同樣快地跟上。

如果放在過去，這些異常大概率會先進入周報，再等到月度經營會上被正式討論。會上，負責人解釋原因，管理者繼續追問，團隊再補動作。流程看起來沒有問題，真正的問題是：太慢了。吳宗偉把這種狀態概括為一句話：“數據看得見，但人追不上。”

吳宗偉是圣農集團零售業務負責人。圣農是中國白羽肉雞全產業鏈龍頭企業，業務鏈路從育種、養殖、屠宰、加工、銷售，一直延伸到供應鏈交付和消費者餐桌。鏈路本身已經足夠長，到了零售端，變量又更多了。

產品上，圣農既有 100 多個標品 SKU，也有 100 多個定制品；團隊上，300 多人分布在全國各地，管理半徑從東到西、從南到北，覆蓋近 30 個經營單元；渠道上，線上有抖音、天貓、本地生活、即時零售，線下有 KA 賣場、會員制商超、經銷商等不同體系，同時還要推進 O2O 和零食賽道。

產品多、渠道多、人員多、客戶多、跨部門多，業務鏈路還長。吳宗偉總結，他們這個業務是“五多一長”。

宗偉管理的業務屬于“五多一長”

這種復雜，最直接的結果不是“事情多”，而是每一個經營信號都很難被一眼判斷。

一個渠道掉速，背后可能是終端動銷不好，也可能是缺貨、缺交、價格策略出了問題，或者只是數據口徑沒有對齊；一個品類缺貨，表面看是渠道問題，繼續往下追，可能牽出供應鏈、采購、財務等多個環節；一個負責人說“后續補量”，聽起來有態度，但還不是一個真正能落地、能追蹤的動作。

這些問題都需要精細分析：要看數據口徑，要拆到門店和品類，要追到負責人和時間點，還要判斷是否需要跨部門拉通。

但現實是，吳宗偉不可能把每一個異常都親自下鉆一遍。去年，他開了 570 多場會議，平均每天四五場。這些會議從戰略溝通、組織協同、跨部門對齊到客戶溝通、團隊管理鋪滿了他——會議越多，時間越碎，真正沉下去分析一線經營問題的空間就越少。

很多異常并不是看不見，而是看見之后，缺少一次及時、細致、連續的拆解。這就是天啟出現的背景。

基于飛書 aily 打造的天啟智能體

它不是來替吳宗偉看報表的。報表只能告訴他“哪里不對”，但不能替他把問題拆下去。吳宗偉真正需要的，是一個能夠承接自己經營分析框架的數字分身：在異常剛出現時先做初步識別，繼續追問原因，把模糊反饋拆成具體動作，并在必要時拉通相關人。

天啟是吳宗偉和團隊基于飛書 aily 搭建的 AI 數字分身。團隊沒有寫代碼，而是一點點設規則、接數據、調提示詞，把吳宗偉過去只有在會議里、追問里、復盤里才會使用的經營判斷，沉淀成一套可以持續運行的分析框架。

吳宗偉給它的定位很克制：不是“AI 老板”，而是“經營伙伴”。它巡檢業務問題，給出經營建議，但不替管理者管人，只讓管理者的判斷更快抵達現場。

有人問天啟：“你的 MBTI 是什么？”它回答：“INTJ，建筑師型人格。”吳宗偉自己是 ENTJ，指揮官型。一個向外推動，一個向內搭體系，倒也互補。

天啟還補了一句：“我不催人，我就負責搭體系。”

這句話，正好解釋了它在圣農零售里的角色——把零散的經營信號搭成結構，把一個人的經驗變成整個團隊都能調用的方法。

不是多一張表，是多一次拆解

如果天啟只是把銷售數據做得更清楚，它的價值不會太大。圣農零售不缺看板，真正缺的是看板之后的動作。

在銷售管理里，很多問題不是沒人發現，而是發現之后沒有繼續往下拆。落后多少、為什么落后、誰來補、什么時候補、補不上怎么辦——這些問題看似基礎，卻常常在忙碌的業務現場被跳過。

天啟做的第一件事，是把這些被跳過的追問補回來。

它每天巡檢關鍵渠道數據，識別異常信號，并設置三級預警：黃色提醒關注，橙色啟動結構化分析，紅色進入全面診斷。

異常出現后，它不會只留下一句：請關注，而是繼續往下追：數據口徑是否正確？落后來自缺貨、缺交，還是銷售節奏問題？后續補量來自哪里？如果補不上，B 計劃是什么？

永輝系統曾出現銷售缺口，負責人最初反饋：我們后續補量。這是一句很常見的業務表達，說明負責人知道問題，也愿意補動作。但對經營管理來說，這句話還不夠——它沒有回答：哪個門店補？哪個品類補？什么時間補？如果補不上，替代方案是什么？

過去，這類反饋可能會被記錄下來，等到下次會議再討論。但是，天啟沒有等。它繼續把問題拆到具體門店、具體品類，并追問 B 計劃。最后，負責人給出了三個動作：大潤發調撥、企事業團購、單品爆破。一個模糊承諾，就這樣被壓縮成了可以執行、可以追蹤的行動項。

這也是天啟最早讓團隊感到變化的地方：它不是在催人，而是在幫助團隊把問題說清楚，把動作定清楚。

類似的場景反復出現——渠道 A 和渠道 B 的數據異常，天啟逐條核對后發現是重復計算，口徑修正后真實情況才浮出水面。

很多經營爭議并不來自執行態度，而來自數據口徑。天啟先幫業務人員把數據拆清楚，再推動后續判斷。它既是問題拆解器，也是口徑校準器。

AI 也要知道，什么時候不追

但追問本身也該有分寸。

西部大區負責人連續兩周表現穩固，系統預估全月目標可以達成。天啟沒有打擾他，只是在群里說了一句：“你最近兩周做得很好，全月目標預計可以達成，繼續保持。”它不是正式表彰，也沒有復雜的激勵設計，但一線團隊感受到了一種明確的“被看見了”。

天啟根據實際情況對業務作出反饋

吳宗偉訓練天啟掌握的節奏是：一三五追蹤——根據業務落后程度調整頻次，對連續達標的同事不再追蹤。

如果一個 AI 數字員工只會追落后、問缺口、拆動作，它很容易變成新的焦慮來源。但吳宗偉并沒有把天啟訓練成一個只會施壓的系統。他給天啟設定的管理分寸是：該追的追，該放的放；該預警的預警，該認可的認可。

4 月，某重點渠道已經完成階段性目標，但天啟仍識別出一筆尚未完成銷售確認的潛在風險，并推動負責人確認開票時間。這不是否定成績，而是把風險繼續追完。

對一個普通系統來說，階段目標完成就意味著“正常”；但在吳宗偉的管理經驗里，達標不代表風險結束——銷售確認、開票時間、供應鏈交付、后續補量，這些沒有閉環的環節，都可能影響最終結果。

天啟之所以會繼續追這筆銷售確認，不是因為它比管理者更懂業務，而是因為吳宗偉把這套判斷邏輯訓練給了它：不能只看結果有沒有達成，還要看風險有沒有真正關閉；不能只看數字是不是好看，還要看動作是不是已經閉環。

所以，天啟正在學習的，不只是數據分析方法，也包括吳宗偉的管理分寸。

讓判斷更快到達現場

天啟上線后，變化很快顯現出來。在天啟輔助下，零售線異常響應時間從天級壓縮到小時級，同期零售業績在上一年高速增長的基礎上，額外多增長了 10%。

在一趟去貴陽的航班上，天啟識別出供應鏈和財務的開單卡點——財務價格未維護導致無法開單。它將相關人員拉群，追問問題根源。等吳宗偉下飛機時，問題已解決，訂單順利開出。

翅中產品在多個渠道同時缺貨時，天啟也識別出這不是單一渠道的問題，而是供應鏈層面的共性風險，主動協同采購部門，把三個渠道的缺貨合并為一個問題統一跟進。一個問題一次解決，而不是各自為戰。

天啟同時協調多個渠道的供應鏈問題

吳宗偉說這叫“信息平權”——把數據和信息公示，讓一線人員和管理層信息對等，便于快速解決問題。

過去，片區經理在一線，拿到的可能是滯后的數據、混亂的口徑和碎片化信息，很難第一時間定位問題。高管在總部，看到的是層層匯總后的報表，等到追問時，很多問題已經錯過了最佳窗口。

天啟做的事情，是把吳宗偉的經營判斷方法，變成一線團隊隨時可以調用的組織能力。問題不再只是在會議上才被攤開，而是帶著診斷和建議，在經營過程中持續到達一線。

這也是數字分身這個案例最值得討論的地方：它并沒有制造 AI 和人的對立。

AI 把診斷和建議呈現到眼前，但不替代人做最終判斷。怎么取舍，怎么協調資源，怎么安撫團隊，怎么承擔結果，仍然取決于業務負責人。

問題在經營過程中更早浮現，口徑在一線和總部之間更快對齊，行動項在被遺漏之前就更清晰——管理者也需要更早判斷、更快取舍，但這恰恰是經驗最該發揮作用的時候。

數字分身放大的

仍然是人的經驗

天啟的搭建路徑并不神秘。

先從定義智能體人格和經營分析框架入手，再對接數據源，然后逐步從人工輔助校準過渡到全自動運營。數字員工只在企業授權的數據范圍內工作，遵循既有權限體系。

真正花時間的不是技術，而是吳宗偉要先把散落在自己腦子里的管理經驗一條條說清楚。這些經驗過去只存在于會議追問和口頭判斷里，從來沒有被系統性地寫下來過。

現在，他需要告訴天啟，什么樣的反饋算有效，什么樣的承諾還不夠，什么樣的問題必須拉通供應鏈，什么樣的表現值得被認可。

這也是 AI 的局限所在。

數字分身并不會因為接入了數據，就自動擁有一個管理者的業務判斷。它能處理信息、執行規則、響應問題，但對業務輕重緩急的理解、對團隊狀態的把握、對追問尺度的拿捏，都來自人的訓練。

換句話說，天啟不是被“安裝”出來的，而是被吳宗偉一點點“帶”出來的。

他要不斷校準它：邏輯太淺，就繼續拆；判斷不準，就糾正；表達不像業務，就重寫；結論不夠靠前，就要求先給判斷，再說原因。每一次校準，都是在把一個管理者過去隱性的經驗，變成 AI 可以學習的規則。

這也意味著，數字分身不可能一上線就完美。它需要在真實業務里反復試錯、修正、迭代。AI 本身沒有管理分寸，只有在人持續調教之后，才可能慢慢接近一個組織真正需要的工作方式。

問題的本質從來不是數據不夠，而是判斷沒有到達現場。

吳宗偉說：“數據看得見，但人追不上。”而天啟做的事，就是用一個人的判斷方法，補上數據與行動之間的這段時間差。