12家店报货接龙到晚上十点,总部调拨全凭手感:老板问我最多的四件事

昨晚十点二十,一个做社区生鲜的老板给我发来一张截图。

是他们12家门店的报货群。从晚上八点开始接龙,到十点二十,群里67条消息,最后一条是总部调度发的:"今天先这样,剩下的明早补。"

他问我:这活AI能接吗?

这两个月,做连锁的老板问我的事翻来覆去就那么几件——货怎么调、价怎么比、表谁来填、出了错谁负责。挑四个问得最多的,一条条答。

一、"报货全靠群接龙,调拨基本靠感觉,AI到底能接哪一段?"

先说这活过去怎么干。

晚上八九点,店长看一眼货架和后仓,在群里发一句"明天青菜加5斤、鸡蛋加3箱"。12家店各报各的,总部一个调度盯着屏幕,凭印象加加减减,凑一个总数丢给采购。店长报"加5斤"是加5斤,还是补到5斤,没人说得清。

卡在哪?三笔账。

第一笔是口径。同一个上海青,有人叫小油菜,有人叫青江菜,有人写"青菜"。总部拿到手,得先翻译一遍。

第二笔是判断。为什么这家店加5斤、那家减3斤?标准在老调度脑子里。他休一天假,第二天报货量就开始飘。

第三笔是时间。一家店报货10分钟,总部合并40分钟,12家店一天就是160分钟。一个月按26天算,接近70个小时,就花在"报一个数"上。这笔账你拿计算器按一下,再乘上这几个人的时薪。

接AI之后,流程不是整段替换,是切成三段:

群里那句话先变成结构化字段——品名、数量、单位、期望到货时间。这一步最容易翻车,因为品名必须映射到商品主数据,不是靠模型猜。

然后是建议量。取这家店过去同类周期的销量、当前库存、明天是周四还是周末、有没有促销排期,给一个建议数,外加一句"为什么是这个数"。

最后才是生成调拨单。

这里最容易踩的坑,我给你列三个:

一,商品主数据没对齐就上AI。模型会把上海青和小油菜当成两个东西,各自算一半,建议量直接错。

二,让AI直接下单,不给人确认。第一天可能没问题,第二周就会出事。

三,把预测准确率当KPI。门店发现系统算得不准,就开始"用嘴巴修正"——报了不用,月底再拿真实销量对。数据一污染,后面全废。

我们做这个场景的时候,第一件事不是接模型,是陪客户坐下来,把七张表里对同一件商品的叫法对齐成一张。这活不性感,但它决定了后面所有事情成不成立。

二、"采购比价、供应商对账,AI能盯到什么程度?"

过去怎么干?供应商在微信发报价,采购拿Excel一个个填。赶上忙的时候,干脆不填,凭"上次多少钱"记。

卡的不是速度,是可比性。有人报含税价,有人报不含税;有人含运费,有人到付;账期30天和60天是两个价。四个维度没摊平,比价就是自欺欺人。

还有两个隐形成本:月底对账,才发现有批货到了没入账;采购员一离职,三年的价格历史躺在他手机里,找不回来。

AI在这块能做的,主要是两件:

一是把各种格式的报价单——微信截图、PDF、供应商自己那套Excel——抽成一张平表,把规格、税、账期、运费四个维度摊开,标出这周哪家涨了、涨了几个点。

二是三方匹配。拿入库单、对账单、发票三份东西做比对,把差异挑出来,交给人看。

这里我得说个真实的分寸感。常熟农商银行那套信审大模型,把流水解读从3小时压到3分钟,准确率85%,日均审批200笔。但它不是自动批贷款——它自动生成一份带风险提示和限制性条款的意见书,业务采纳率大约55%。

55%这个数,才是真实世界。AI给十条提示,人认五条半。你要是指望AI直接拍板换供应商,趁早别上。

对账这块最大的坑是抽取错误。单据格式千奇百怪,OCR把"1"认成"7",后面全盘皆错。所以必须留一步抽样复核,比例不用高,但每天都要有人翻。

三、"总部想看的表越来越多,门店嫌填表,一上系统就变成填表。这个边界怎么划?"

这是我最常听到的抱怨,也是最容易被忽略的一条。

总部要管控,门店要省事,最后的结果往往是数据是编的——反正总部也没空核。

我的建议只有一句:凡是能从已有动作里自动取的数,不要让门店填。门店只填机器取不到的,比如这筐菜为什么坏、是送货就坏了还是自己放坏了。

爱分析在2026年9月11日发过一篇访谈,里面有个观点我很认同:企业AI落地最大的瓶颈,不是模型不够聪明,是AI不认识你的企业——它不知道你公司里有哪些业务对象、它们什么关系、数据和操作分布在哪。文档问答走不进经营分析,根子在这。

同一个访谈里还有一句:企业愿意让AI提供分析建议,和愿意让AI直接执行关键业务操作,是两个阶段。

翻译到连锁场景就是:总部可以先让AI做"建议调拨",但"确认"这个动作,留在店长或调度手里。这个边界,别一步跨过去。

翻车点也很清楚:一次上全部门店;把门店的确认权拿掉;以及更隐蔽的一条——人已经在老系统里干活了,习惯改不过来。技术可行不等于流程会自动发生。

四、"我最怕AI算错。它给个错的调拨建议,店长照做了,这锅谁背?"

这个担心是对的。

解法不是"让AI更准",而是让每个建议都带依据、可追溯。

比如系统建议A店明天鸡蛋加3箱,理由要摆出来:过去四周同周四销量、当前库存4箱、明天有一档促销、周边两公里内有一所学校开学。四条依据,错哪条一眼能看出来。

然后是人确认,操作留档。出了错,能回溯到是数据错了、规则错了,还是人判断错了。

万事达卡的首席产品官林岳今年在中国公开谈过,AI要落地,标准、责任归属、消费者追索这三件事得先定好,数据结构化是难点。这话放到你12家店的调拨上一样成立——先把"谁确认、怎么记、错了怎么追"写成三行字,再谈上不上AI。

还有一条实操建议:别一上来就12家店。挑一个店、一个品类,跑四周,拿真实数据对比。四周之后,损耗率、缺货次数、总部花的时间,三个数摆出来,值不值自己看。

说到底,这件事的真实差距在哪儿?赛迪智库中小企业研究所联合网商银行做过一项"AI时代小微经营者观察研究":97.4%的小微经营者知道AI工具,但持续用的只有约三成;业务流程里深度融合AI的比例,大中型企业已经超过50%,小微只有5.1%。

这5.1%和50%之间的缝,就是机会。

对OPC创业者来说,这意味着:做模型的人不缺,缺的是能坐在一家连锁店里,把品名表、判断规则、单据格式一点点理干净的人。这活一天干不出成绩,但它是能收钱的活,也是AI真正落到生意里的那一段。

至于开头那位老板,我给他的建议就一句:先别买系统,把群里的接龙跑一周,把每一条报货背后的判断写下来。写完你自然会知道,哪些能交给机器,哪些只能你自己拍板。