货就在三公里外的兄弟店，为什么调不过来？

早上八点十分，店长发来一张照片，货架第三层空了一格。

同一个单品，三公里外的另一家门店后仓里还压着几十盒。老板在群里回了两个字：调一下。

然后这一整天，这句话要经过五个人。店长找对方店长确认，对方店长翻后仓，区域主管问要不要开调拨单，财务问按哪个成本入账，晚上司机顺路带过去——或者干脆没带，第二天再说。

如果你开到第三家店以上，这个画面大概率不陌生。

今天不聊趋势，就聊这一件事：门店之间的货，怎么在一天之内真的动起来。AI在这条链上能接哪一段，哪一段它接不了。

这活儿以前是怎么干的

最原始的做法是微信群。

A店断货，店长在群里@B店店长，B店翻一下后仓，说还有四十几盒，你要多少。然后两个人私下商量：是你过来拿还是我叫个跑腿。东西拿到手，实物动了，账没动。

等到月底盘点，问题才浮出来。A店库存对不上，因为入了没走单；B店也對不上，因为出了没销账。财务拿着盘点表找店长，店长说上个星期就调过去了啊。谁批的？没人批。按什么价？谁记得。

这套流程的代价有三笔，都能算出来。

第一笔是时间。店长自己跑一趟或者等门店之间凑时间，来回一小时到两小时，加上沟通、找货、点数，半天里最该干销售的那几个小时就没了。一个店一个月如果发生三四次，一年下来是十几个工作日。

第二笔是口径。同一样东西，从B店调到A店，按什么成本入A店的账？B店那批的进价，还是平均价？如果这批货在B店已经算过一次损耗，到A店还能不能卖原价？这些不写清楚，A店的毛利表就是假的。

第三笔最隐蔽：总部不知道这件事发生过。一个月调了多少次、调了哪些品类、哪几家店之间在互补，全在一线店长脑子里。总部看到的库存表是静态的，看不到货在店与店之间流动的真实规律。

很多老板以为自己的问题是"缺一套系统"。其实缺的是——把这件事当成一件"业务对象"来看待。

卡住这活儿的地方，不是模型不够聪明

2026年9月11日，爱分析发了一篇对陈傲寒的访谈，里面有句话我认同：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。

通用大模型装着几乎全部的公共知识，但它不知道你这家公司的"城西店"和"城东店"是什么关系，不知道这个SKU分几个批次、每批的进价是多少，不知道谁有权限批一次调拨，更不知道这家店的考核口径里损耗算不算店长的责任。

这些信息不在任何公开语料里。

2026年9月10日的2026 Inclusion·外滩大会上，IDC发布了中国AI数据基础设施的研究报告：2025到2030年，这个市场复合增速37.7%，2030年规模到738亿美元。报告里还有一句判断——企业的瓶颈，已经从"模型够不够强"，转向"企业自身的数据能不能被AI真正用起来"。

放到调拨这件事上，翻译过来就是：你不需要一个更聪明的模型，你需要一个知道你哪家店在哪儿、哪批货什么价、谁说了算的东西。

接上以后，这段流程会变成什么

我不建议一上来就做全量数据治理。这个坑后面会讲。先说合理的顺序。

第一步，把对象立起来。

门店、SKU、批次、实物库存、调拨单、成本口径——就这六样。不追求全，先求准。这一步不需要什么平台，一张维护得住的表就能起步。关键是把"谁是谁、谁连着谁"写清楚：这一批货从哪来、现在在哪家店、出去的时候按什么价、谁签的字。

第二步，把每天的分析变成分钟级。

过去老板想知道"哪些店可能断货、哪些店压货"，得等周报，甚至等月底。立完对象之后，可以每天早上跑一遍：哪几个单品低于安全库存、哪几家店的周转天数超标、三公里范围内有没有可以调的货源。

陈傲寒在访谈里提到，有了这层业务地图，分析智能体可以把过去持续数周的分析过程压到分钟级。这话是他在企业级场景里的经验，不是小店场景，但逻辑是通的：分析慢，不是因为算得慢，是因为每次都要重新找人、重新对数。

第三步，建议归建议，执行归执行。

同一篇访谈里有句话，我觉得是这两个月最值得抄的一句：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；分析完由人确认、一键执行，和AI自己执行，对应的风险边界完全不同。

调拨这件事尤其如此。建议说"A店从B店调30盒"，店长看一眼、点个确认，这个动作很快，也不容易出事。你要是让系统自动下单、自动派车，第一次出错——B店那批货其实已经临期，或者B店的实物库存和账面差着数——店长的信任就没了，这套东西后面就推不动。

第四步，把每次调拨变回一条记录。

这一步最枯燥，也最值钱。做完一次，系统里多一条：谁调的、多少、什么价、几天补回来。三个月之后，"哪几家店之间经常互补"这种规律自己就浮出来了。到那时候再谈预测，才有依据。

外部也有可参照的样本。2026年9月9日的服贸会电子商务大会上，盒马副总裁闵惟提到，AI需求预测能把预测误差降低20%到50%，生鲜头部企业的预测准确率能到80%以上；截至2026年8月，全国建成100个盒马村，年均带动农产品销售额约70亿元，做法是让消费端的数据更早抵达生产端。

中小连锁抄不了那套系统，但可以抄那个思路：别拍脑袋定采购和调拨，先让数据从"卖出去的那一端"倒推回来。

哪几步最容易翻车

一上来就做全量治理。

我见过的失败案例里，一半死在这儿。老板说要做数字化，团队花了三个月对齐商品主数据、清理历史库存、梳理供应商档案，三个月后老板问：现在能干什么？答：数据干净了。老板就把项目停了。正确的顺序是反的——先解决一个每天都在疼的具体问题，数据是被这个问题逼干净的。

数据源是账面，不是实物。

库存表上写着40盒，实际后仓只有28盒。AI照着40盒算，调过去发现不够，一次就失信。这个坑跟模型没有任何关系，是盘点频率和盘点纪律的问题。

成本口径没对齐就上系统。

调出货按谁的成本入账、损耗算谁头上、店长考核算不算这笔调拨——这三条不定下来，AI算得再准店长也不认。他不是不认数据，是不认自己要为这笔账负责。

直接跳到自动执行。

前面说的风险边界，在这儿最容易破。分析建议错了，人看一眼就拦住了；自动执行错了，货已经在路上。

忽略岗位习惯。

还是那篇访谈里的话：改变岗位流程、界面习惯和已经形成的沉没成本，不会因为技术可行就自然发生。店长用微信用了六年，你给他一个新系统，他第一反应是麻烦。所以这一步要么别让他多做动作，要么让他明显少做动作——比如从"群里问一圈"变成"手机上点一下"。

换作你能抄的作业

我们自己在做舍予AI智能体的时候，把调拨这件事的起点定得特别小：先让老板在手机上看清一句话——今天哪个店该往哪个店调多少，为什么。就这一句。看完他点确认，剩下的物流派车、单据、成本记账，交给原来的人干。

不是不能做更多，是先把这一句做准。

你要抄的话，按这个顺序：

• 挑一个每天都在疼的具体问题（调拨、盘点、对账都行），别挑"数字化"这种词；
• 把这个问题的对象写清楚：有哪些东西、这些东西之间什么关系、谁有权限动；
• 先做分析，不做执行。建议给人看，人点确认；
• 每次动作都留一条记录，让下一次比上一次准；
• 成本口径和考核口径，先跟财务和店长谈拢，再动系统。

9月10日到12日，青岛那场实业论坛上，马光远讲了一句话：企业竞争逻辑正从"规模+成本"转向"数据+算法+产业场景"，AI切忌脱离实业"为AI而AI"。

调拨这件事，就是"产业场景"最土的那一层。它不好看，不上台面，但它每天都在消耗你的店长、你的毛利表、你对生意的判断。

这笔账你算一下：一家店一年十几次调拨，每次店长搭进去两小时，五家店就是一百多个小时。这些小时里，他本来该在卖货。

货就在三公里外。它该动得比现在快。