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：
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。