零售巨头悄然布局AI岗位,数据底座才是核心竞争力

近日在西安本土便利店"每一天"的招聘信息中，一个算法岗位的薪酬范围为20至35K。

在行业内虽不算顶尖，但岗位描述的内容却令人颇感意外。

JD中频繁出现的术语包括"Agent幻觉治理""本体与函数契约""Eval评测回归"。

这些词汇放在任何一家AI创业公司的招聘中都不会显得突兀，可它却出现在一家销售关东煮和包子的连锁便利店。

继续浏览发现，这并非个例。瑞幸、蜜雪冰城、便利蜂等连锁品牌，过去一年里都相继开放了AI工程师、Agent工程师的职位。

瑞幸从来就不只是卖咖啡的。门店选址、定价、促销、库存、复购，每一个环节背后都是数据在驱动。行业内有人戏称它为"披着咖啡外衣的数据公司"，话糙理不糙。

蜜雪冰城管理着四万多家加盟店，靠的不是手艺，是一整套将订货、督导、供应链流程严格标准化为规范流程的中台系统。

便利店行业更不必说，POS、会员、供应链系统是它们二十年前就开始深耕的领域。

这些公司招募AI工程师，绝非被风口吹到、临时起意要追赶潮流。它们原本就在数据治理这条道路上走得比大多数行业都深入。

AI对它们而言，是顺手装配的一台新引擎，而非一次战略方向的转变。

而招聘市场上这则不起眼的小动静，恰好将一个朴素的问题摆到了台面——

这一轮AI在B端的真正落地，最先发生在哪里，为什么。

为何是它们

答案不在技术层面，而在业态特性中。

便利店和饮品连锁这类生意，有几个底层特征是其他行业难以同时具备的。

决策高频且海量。一家便利店两三千个SKU，每个商品的进货、定价、淘汰、陈列都是决策。单店决策不值钱，但乘以几千家门店，决策总量就大到人力难以企及。这正是Agent的甜区——长尾、重复、规则化。

业态高度标准化。一套订货、督导、选品的Agent工作流在一家店调试成功，可以原样复制到整个网络。这是医院、律所这类"每个case都不一样"的行业所无法提供的杠杆效应。

ROI可精确计算。损耗率、人效、订货准确率、毛利，几周就能验证AI是否真正有效。很多企业AI项目失败，不是做不出来，是说不清节省了多少成本。零售这边是真金白银的账，不能糊弄。

容错结构友好。这类Agent基本对内、人在环、错了能回滚，不直接面对消费者。当下根本没有完美的Agent，能落地的恰恰是这种"不完美也死不了人"的场景。

最关键的是数据底座早已搭建完成。

POS、会员、供应链、中台早已就绪。AI所需的"干净数据"和"可调用的工具"，这些公司现成就有。

这五条同时凑齐的业态，目前国内也就是零售连锁、餐饮连锁、物流、部分制造业等少数几类。AI先在这里落地，不是因为它们最光鲜，而是因为它们恰好把五张牌凑齐了。

不是转折，是加速器

真正能从AI中榨取效率的公司，几乎没有一家是这两年才开始数字化转型的。

它们的共同点不是"懂AI"，而是数据治理早就交完了学费。

先看星巴克。它的全球供应链改革2008年就已启动，那时美国本土到货准时率不到50%，他们花了好几年将全球供应链整合为规划-采购-生产-配送四大模块的统一架构。

再看中国市场更具体的情况。2023年昆山产业园投产，立体仓储自动化处理九成以上货物，空间利用率比传统仓库高6倍，每天向中国6000多家门店配送。

2022年星巴克中国董事长王静瑛在投资者交流会上明确表示：未来增长依靠的是"数字化与技术赋能"加上"供应链与咖啡生态圈"。

星巴克的AI、自动化、个性化推荐能运转起来，是因为它拥有1800多万活跃会员的行为数据池，有从生豆到门店全链路在线的供应链。

这套底子是十几年积累出来的。AI是后来装配上去的引擎。

再看瑞幸。这家公司从第一天就是数据驱动——门店选址、定价、SKU、新品测试、库存周转，全都是数据先行。一个新品概念到上市只用几周，靠的就是数据-供应链-门店的闭环。它招募AI工程师不是转型，而是把已经在运转的事按下加速键。

还有一个例子和零售无关，但更说明问题——志邦家居。

志邦2017年A股上市，紧接着就启动数字化转型，两年多将OMS、APS、MES、WMS四套系统打通，之后又建设了4.0智能工厂，把销售、研发、生产、物流全链路串联起来。

这个底子搭好之后，他们才开始引入"AI设计与拆单"。定制家居的难点就在于每一单都不一样、料件拆解极为复杂。

AI能在这里落地，是因为前面那几年把"订单怎么走、料件怎么拆、生产怎么排"全部结构化完成了。志邦还与中科大共建了算法团队，将工业互联网平台向外输出，反过来给行业提供解决方案。

星巴克改了十几年的全球供应链。瑞幸从第一天就是数据公司。志邦花两年把四套系统钉死。它们最终都到达了同一个状态——

业务在线、数据干净、规则结构化。

AI对它们而言，是把已经在跑的车换了一台更强的引擎。

而对一家数据还散在Excel里、流程还靠经验和电话沟通的公司，再好的引擎也没车可装。

焦虑之外

这就要说到很多企业主真正的焦虑所在了。

关于AI的焦虑分为两种。

一种是"AI那么厉害，我是不是落后了"。

另一种更诚实——

"我也让员工用过大模型，装了几个工具，但没感觉到效率提升"。

第二种焦虑值得停下来思考。如果一家公司用了AI却感受不到变化，原因几乎不在AI，而在两个地方。

要么是数据底子没打好。

星巴克、瑞幸、志邦能从AI中获得效率，是因为它们的订单、库存、客户、生产、物流早就在线、早就结构化了。

一家还在用Excel记账、用微信群派单、流程靠人盯人的公司，让员工用大模型写写文案、做做摘要——

本质上就是把AI当成一个更聪明的助理，而非一台嵌入业务的引擎。

省点时间是有的，但永远不会产生"质变"。因为AI根本没有接口接入你的业务。

要么是业务规模不在AI的甜区。

AI最擅长的是高频、重复、规则化的决策。几百家门店的连锁，"每天该订多少便当"乘以几百次，每提升一个百分点都是真金白银。一个几个人的工作室，业务都是非标的、靠老板拍板的，AI能帮的就是写写邮件、做做PPT、整理整理资料——

有用，但跟"效率革命"差着一整个数量级。

这种规模下感受不到AI改变命运，是正常的，不是AI的错。

与其反复"拥抱AI"，不如先回头问自己三个问题：

公司的核心业务数据，是不是大部分都在系统里、能被调用？

业务流程里，有没有大量高频、重复、规则化的环节？

有没有清晰可衡量的指标——损耗率、周转率、客单价、人效，能让你判断AI到底有没有用？

三个问题都点头的公司，AI对它就不是聊天机器人，而是真正的生产力。

有两个摇头的，先把摇头的解决了，AI才会有用武之地。

这话听上去扫兴，但其实是好消息。AI不是一场赢者通吃的赛跑，你不会因为"晚了一年用AI"就被甩开几条街。真正会拉开差距的，是那些扎扎实实做数据治理、做业务流程结构化的公司。

AI浪潮把那些过去看起来不性感的脏活累活，重新变成了战略级的优先事项。

这是这轮变革给中小企业最大的善意：它把竞争的基础工作，重新定价了。

不像AI的

这件事对正在做AI落地的开发者和企业，意义同样具体。

先说独立开发者和AI工程师。

会调prompt、会搭工作流的技能门槛在快速下降，半年后人人都会，这不是稀缺能力。

真正稀缺、真正能定价的，是既能进车间、进店里和店长聊清楚"鲜食为什么会损耗"，又能把这套业务逻辑翻译成工具、本体和评测体系的人。

这种"业务+工程"的复合能力，市场上极度稀缺。而且它不会因为下一个模型版本发布就贬值。

一个具体的方向，别追着大模型版本跑，挑一个行业深扎进去。零售、餐饮、制造、物流、医疗都行。

模型每隔几个月迭代一次，但沉淀在某个行业里的业务本体，是越用越厚的资产。

再说做AI企业落地、做前沿部署的公司。

第一件事，别再卖"通用大模型能力"了。那是平台层的事，是大厂的牌桌，轮不到你。

真正可做的是深扎一个行业，把这个行业的业务本体沉淀成你独有的资产——零售连锁所有的口径、规则、决策链路结构化成可复用的本体层，做成别人复制不了的东西。

这种活脏、慢、苦。但一旦做出来就是护城河，因为它和具体行业死死绑在一起，模型再迭代也带不走。

第二件事，承认一个反共识的事实，大多数客户的真问题不在AI，在数据底座。

别假装客户已经准备好了。从帮客户把数据归拢、清洗、结构化做起，AI是终点不是起点。

这一路走下来，你会发现自己在做的事，外人看不太像"AI公司"——

更像数据中台公司、像供应链系统公司、像行业ERP公司。

但内核都是AI。

未来三五年最赚钱的AI公司，很可能就长成这样，看起来不像AI公司，骨子里都是。

而那些一上来就把自己定位成"AI公司"、什么客户都接、什么场景都说能做的，反而最容易在通用能力上被大厂一脚踩平。

写在最后

回到开头那个引擎的比喻。

这一轮AI给整个商业世界装配了一台新引擎。但引擎本身从来不是稀缺品，大厂会做、开源会做、价格还会一路往下跌。

真正稀缺、真正值钱、真正决定谁能跑得快的，是有没有一辆修好的车——

干净的数据、结构化的业务、清晰的指标。

便利店开始招募AI工程师这件事，顺着它往下看，会看到一整轮商业竞争的逻辑正在被重新定价。

过去十几年里默默修车的人，今天可以装上引擎跑起来。

而那些只盯着引擎、忘了自己根本没车的人，会发现自己离起跑线还有很远。

看见这一点的人，无论是企业主还是做AI落地的人，会比看不见的人多出几年时间。

END