（本文作者为 OliverWyman 奥纬咨询，钛媒体经授权发布）
文 | OliverWyman 奥维咨询
几乎所有企业都在谈 AI，但仅把 AI 作为 Chatbot，价值往往有限。
更有潜力的方向，是把模块化的 AI 智能体 （Agent） 作为中间层，嵌入企业原有的工作流、数据看板和日常文件。
近期，我们深度参与了一家万店规模零售商的 AI 转型项目。项目最先选择的试点，是数据密集、且高度依赖专家经验的核心职能—— 品类管理。
这个案例来自零售现场，但它指向的问题并不只属于零售企业。对更广义的消费品企业来说，从趋势洞察、新品开发，到渠道运营、供应链协同和销售复盘，同样存在大量数据分散、流程复杂、依赖经验判断的场景。
借这个案例，我们想讨论三个现实问题：
- 企业部署 AI 时，最容易踩哪些坑？
- AI 如何进入零售与消费品企业的核心业务流程？
- 当 AI 开始承担一部分分析和判断工作，人、AI 和原有工具之间的边界又该怎么重新划分？
价值陷阱：企业 AI 转型为什么容易跑偏
理想丰满，但企业在推进 AI 转型的过程中，往往出现：数据口径不统一，工作流接不上，输出结果缺乏验证，员工不知道该信到什么程度，成本变得不可控。
通过实战，奥纬咨询总结出了企业极易掉入的五个“ 价值陷阱” 和应对方案：
第一类，标准化 AI 无法匹配定制化工作流。
很多企业试图用一个通用模型解决所有问题，结果发现 AI 输出的内容常常脱离商业语境，员工每次都需要耗费大量精力去编写复杂的提示词，修正结果。更合适的方式，是把能力拆成模块，根据业务流程重新组合。
第二类，AI 幻觉侵蚀人类判断力。
在企业场景里，不准确、过时或无关的信息，可能影响采购、库存、定价和销售决策。更麻烦的是，AI 经常用流畅的方式表达错误。企业级 AI 需要的不只是生成能力，还需要在 Agent 结构里加入分析、验证、综合等角色，用固定数据源、提示词库和审核机制降低风险。
第三类，拿着 AI 的锤子，看什么都是钉子。
AI 并非万能。对于规则明确的任务，传统算法、自动化工具或 BI 看板在成本、延迟和输出一致性上都更有优势。更合理的方式，是让 AI 调用已有工具：AI 负责理解问题、组织流程和生成建议，规则工具负责稳定计算和执行。
第四类，从试点到推广，被隐藏成本压垮。
做小范围试点时，企业往往不计代价追求完美效果。但在全公司推广时，Token 消耗、系统集成和持续维护的成本可能会轻易击穿预算。 一个好的 AI 试点，要同时验证可复制、可维护和成本可控。
第五类，能力与流程错位。
如果只是把 AI 叠加到未改变的旧流程上，很可能只是把低效自动化。企业真正要做的，是重新定义人、AI 和原有工具的边界：哪里值得 AI 介入，哪里继续使用原有工具，哪里必须保留人工判断。边界划清之后，AI 才变成真正进入业务现场的生产力。
进入业务现场：AI Agent 如何改写品类管理
对于一家万店规模零售商来说，我们选择的第一个切口，是品类管理。
品类管理离经营结果足够近，也足够复杂。它要处理趋势、选品、采购、货架空间和业绩复盘，一头连着市场变化，一头连着销售、毛利、库存和门店执行。
以选品与采购为例，买手需要在电商网站、社交平台、竞品信息和供应商推荐之间来回比对，再结合个人经验捕捉市场趋势，识别潜在新品机会。这不仅耗时费力，且往往带有主观偏差。
AI Agent 进入后，平台能够基于全网真实的社交媒体数据主动提供趋势总结，并在短时间内完成跨市场、跨平台的潜在新品识别和多角度的事实验证。
哪些趋势值得跟进，哪些产品可能成为新品机会，哪些市场已有相似案例，系统可以先做一轮分析，再交给业务人员判断。
基于试点效果测算，这一场景如果进一步规模化应用，预计可通过更敏捷的趋势识别和新品上市，为相关销售带来约 2%—3% 的提升。
再看货架与空间规划。
过去，业务人员需要面对多个 Excel 表格和 BI 看板，在品类销售表现、SKU 结构、库存情况和货架空间之间反复对比。一个调整方案从发现机会到和空间团队沟通落地，往往需要数周。
AI Agent 在这里承担的是前置诊断和方案辅助。
它可以拉通品类表现和货架空间，识别空间错配、选品重复和潜在空白，并生成调整方案与销售影响预估。
基于试点测算，这一场景如果规模化应用，预计可通过更精准的选品调整和更快执行，带来约 3%—5% 的销售提升。
对一家万店规模的零售商来说，几个百分点的销售提升，放到经营结果里已经相当可观。
项目测算显示，在相关核心业务部门中，这套 AI Agent 方案预计可带来约 10% 的 P&L 改善，并节省约 25% 的产能。更重要的是，员工不用再把大量时间耗在跨系统查数、拼表和整理材料上，而是把精力放回判断、取舍和决策本身。
从试点到蓝图：企业级 AI Agent 怎么设计
对零售与消费品企业来说，AI 如果只在一个部门里有效，价值仍然有限。更重要的是，它能否沿着采购、供应链、促销、定价、门店运营和履约继续扩展，变成一套长期能力。
这要求企业级 AI Agent 从一开始就考虑三件事：整合、复用和解释。
首先，Agent 要能被整合进现有系统。
企业不可能为了 AI 推倒重来。真正可行的方式，是让 AI 成为一个连接层，接入已有 ERP、数据库、BI 看板、API、日常文件和外部数据源。前端是统一入口，背后是意图识别 Agent、路由 Agent 和不同领域 Agent 的协作。
其二，Agent 要模块化、可复用。
趋势识别、竞品扫描、消费者分析、销售测算、空间规划、证据验证、结果综合，都可以拆成不同模块。每个 Agent 专注一类任务，再通过工作流组合起来。
这意味着，新品上架场景跑通后，其中的趋势识别、竞品扫描、销售测算等能力，未来也可以被促销规划、供应链预测和渠道运营调用。
其三，输出要可解释。
零售与消费品行业都高度依赖经营细节。任何 AI 建议最后都要落到商品、货架、库存和门店动作上。Agent 不能只给结论，还要说明依据来自哪里，参考了哪些数据，哪些是事实验证，哪些是模型推断。业务人员也要保留调整和判断空间。
这背后其实是人、AI 和工具关系和边界的重新划分。传统工具适合做规则明确、结果稳定的计算和执行；AI Agent 可以做信息整合、初步分析、方案生成和跨工具调度；人则负责关键判断、业务取舍、跨部门协同和最终责任。
企业级的 AI 转型，不是一蹴而就的 IT 系统采购，而是一场业务与组织重构。企业最需要的，也不只是技术供应商，而是一个能够连接业务与技术的桥梁。
当 AI 逐渐成为新型基础设施，企业比拼的，是谁能更早跨越价值陷阱，将 AI 深植于业务的毛细血管之中。
更多精彩内容，关注钛媒体微信号 （ID：taimeiti），或者下载钛媒体 App
