门店说断货，总部说压着，月底账上多出来九千块

老周做社区超市，二十来家店，散在三个区。

上个月底我去他办公室，晚上八点多，两个会计还在对两摞单子。一摞供应商的对账单，一摞各店的收货单。中间差着九千多块。翻了快两个小时，最后查出来，是其中一家店上个月的退货没录进去。

老周说了句话，我记到现在：

“我不是心疼这九千块。我是不知道还有多少个九千块，躺在没人翻的那两摞纸里。”

今天就聊这个。几十家店的连锁，采购、调拨、应付这三件事，AI 能接到哪一步。

以前这活儿是怎么干的

门店要货靠群。

店长早上在群里发一句“可乐没了”“酸奶断两天了”，总部采购看一眼，打电话给供货商，第二天车就来了。谁要得多谁要得少，靠采购脑子里那张表。

比价靠习惯。合作三年了，价格就是那个价，涨了通知一声。偶尔听说隔壁老李拿的价更低，心里咯噔一下，也就咯噔一下——手上没数据。

对账靠人。送货单、对账单、发票，三份，两个会计，一张一张对。差异出来了，翻群聊、翻微信、打电话问店长。

这套流程不是错，是没办法。二十家店，不大不小。小到请不起一个专门做供应链的团队，大到老板自己已经看不过来了。

卡在哪，代价是什么

最要命的不是缺货，是货分布错了。

店长报要货，一定会多报。断货是店长的锅，压货不是。他宁愿后仓堆两箱，也不愿下午六点被顾客问“你们可乐呢”。

一家店多压两百块，二十家就是四千，一个月十几万趴在货架上不动，还得占人手去盘。

价格没有参照系。

同一品牌的纸巾，老周这边两个供货商，每包差几毛。听着不多。你算一下：这个品一个月走多少箱，一年下来乘这个差价。这笔账很少有老板认真算过，因为算它得把一年散在几十张对账单里的价格抠出来，排成一条线。没人有时间干这件事。

对账是纯消耗。

两个会计，每月两三天，干同一件重复劳动：找差异。找完还要打电话、翻记录、补单子。这活儿不产生任何价值，它只是让账目回到“应该的样子”。供应商那边的业务员也一样，两边一起耗。

老周那句话其实说透了：不是钱的问题，是不知道的问题。

接上 AI，流程变成什么样

我不太喜欢“AI 赋能供应链”这种说法，听着热闹，落不下来。

落下来就是一个问题：AI 得先认识这家企业。

爱分析前阵子发过一篇访谈（2026年9月11日），陈傲寒在里面讲了一句我很认同的话：企业 AI 落地最大的瓶颈，不是模型不够聪明，而是 AI 不认识你的企业。通用大模型什么都聊得来，就是你问它“我这批洗衣液该不该从老张那进”，它答不上来——它不知道老张是谁、这个品是什么、这家店一周走多少。

所以第一步不是问 AI，是给它画一张地图：这家公司有哪些“对象”——商品、门店、供货商、采购单、送货单、应付单，对象之间是什么关系，数据躺在哪个系统里。

地图有了，活儿才接得上。落到老周这儿，大概三步。

采购比价。 把过去一年的采购明细拉出来，同一个商品按供货商排、按时间排，生成一条价格带。谁常年偏高、谁某段时间突然涨、同一批货两个店进价差多少，全摆在一张表上。这不是让 AI 替你砍价，是让你坐下来谈之前，手里有个数。

调拨按动销算，不按喊声算。 每店每品的日均动销、现有库存、在途数量，算出一个建议补货量，和店长报上来的数字并排放。差得远的那几家标出来问一句。不是不信店长，是让他知道背后有数。

三单匹配。 送货单、对账单、发票，AI 先匹一遍，对不上的单独列成差异表，并且告诉你差在哪：价格差、数量差，还是这边压根没录这笔退货。会计从“找差异”变成“核差异”。

这里有个参照。常熟农商银行的“灵燕”信审大模型，公开的数据是：AI 流水解析把流水解读时间从 3 小时压到 3 分钟，智能体日均审批贷款 200 笔，自动化通过率 85%，审批意见业务采纳率约 55%。

最后一个数才是重点。55%。它说的是：AI 出的东西，人只认一半多一点，剩下还得改。这就是现实。

对账也一样。AI 能把“找”那一半干掉，“判”那一半得留给会计。爱分析那篇访谈里还提到一层：人确认后一键执行，和 AI 自主执行，是两个不同的风险边界。所以我给的建议是，对账先跑到“出差异表”为止，付款那一下，还是人按。

这几步最容易翻车

主数据没人洗。

同一瓶可乐，采购表里叫“可口可乐 500ml”，送货单上写“可乐 500 塑瓶”，POS 系统里是“COKE-500”。三家店三个名字。你让 AI 去比价，它比出一堆乱东西，老板看一眼就说不行。

洗主数据枯燥，没人愿意干，但它是整套东西里最值钱的一步。经验是：先洗使用频次最高的前两百个 SKU，够跑通一个品类就行，别想一口气全洗完。

一上来就要全自动。

我见过不止一家，第一周就让 AI 直接生成采购单发出去，错了两回，老板把项目停了。

正确姿势是分段：先只出建议、人执行；顺了，再让它出单、人点确认；再顺，才谈自动。节奏踩错的代价不是几天，是老板再也不信了。

只管工具，不管人。

爱分析那篇里讲到一个细节：今天需要看全局的是管理层，管理层不直接做分析；真正干活的业务岗，用手上一两个系统已经够了，没动力去开一个新系统。所以上线了没人打开，是大面积会发生的事。店长、采购、会计的活儿变了，他们的考核怎么变、新活儿算谁的功劳，这些得在上线之前想清楚。

拿通用大模型直接问经营问题。

“该不该换供应商”“这个品要不要提价”，扔给通用模型，得到的是一堆正确但没用的话。原因还是那句：它不认识你的企业。得先把对象、关系、数据连起来，问数才有意义。

淘天和福客 AI 今年做“生意管家”也是这个思路，他们把行业经验拆成 Skill，里面写的不只是提示词，还包括使用条件、执行步骤、验收标准和权限边界（2026年4月，福客 AI 获阿里 A 轮战略投资后联合研发）。一个 Skill 要塞这么多东西，就是因为靠一段提示词，活儿干不完。

最后算一笔账

老周那边，两个会计每月三天，一年 72 人天。这个数其实不大。

大的是另一笔：采购价差。假设一年采购额里有三分之一能从比价里抠出两三个点，乘一下，通常比两个会计一年的工资多。

我一直觉得，AI 在连锁这块的价值，不在于它有多聪明，而在于它肯干那些没人愿意干、但必须有人干的活——把几千张单子排成一条线，把散在几个系统里的数字摆到一张表上。

我们做舍予 AI 智能体，给它的定位是“老板的第一支 AI 战队”。听着像个口号，落实下来很具体：进场第一件事不是装系统，是把老板过去三个月的送货单和对账单全导出来，先跑一遍差异。

差异表出来那天，老板通常会来一句“原来差在这儿”。

这句话之后，后面的事就好谈了。

对做 OPC 的朋友来说，这其实也是机会。这种活不需要多大团队，需要一个懂某个行业具体流程的人，把流程拆成一张对象地图，再一段一段用 Agent 接起来。大厂做平台，你做那条最窄的缝——缝里全是活。

写到这儿。你那边要是也在为月底那两摞单子头疼，可以先做一件事：把上个月的对账单和收货单摊开，数一数差异有多少笔、