过去这些年，我做过企业软件、零售数字化、供应链数字化，再后来接触机器学习、智能应用，再到这几年爆火的生成式AI、Agent。一路下来，接触过不少企业，也参与过不少系统建设。
过去这些年，我做过企业软件、零售数字化、供应链数字化，再后来接触机器学习、智能应用，再到这几年爆火的生成式AI、Agent。一路下来，接触过不少企业，也参与过不少系统建设。ERP、POS、WMS、SRM、CRM、电商 OMS、会员系统、全渠道中台……这些系统几乎构成了今天零售企业数字化的基本底盘。很多企业的信息化，基本都是随着业务发展一点点补起来的。从最早期的一套ERP、进销存系统开始，门店多了，需要 POS；线上业务起来了，需要电商 OMS；仓库越来越复杂，需要 WMS；供应商越来越多，需要 SRM；线上线下渠道越来越丰富，又开始建设全渠道中台。再加上会员、营销、财务、BI，各个系统最后拼成了一张很复杂的数字化网络。这些系统当然都很重要。没有它们，今天一个稍有规模的零售企业几乎没法正常运转。过去依赖纸张、Excel、电话和个人经验完成的大量工作，也终于可以被系统记录下来。门店每天卖了多少货，线上有多少订单，仓库还有多少库存，供应商什么时候交货，会员最近买了什么，系统里基本都有。从这个角度看，过去二十年的数字化，完成了一件很重要的事情：企业里发生的大部分业务，终于被数字化地记录下来了。
系统越来越多，业务问题却不一定更容易回答
企业知道的事情越来越多，可真正遇到经营问题的时候，往往还是不知道该怎么办。比如一家零售企业最近发现某个区域库存持续上升。ERP 里能看到采购，WMS 里能看到库存，POS 能看到门店销售，电商 OMS 能看到线上订单，会员系统还能看到哪些人在买。数据其实不少，但管理者真正关心的并不是“现在库存是多少”，而是“为什么库存会变高”。这个问题一旦往下追，就很难再落到某一个系统里。可能是采购下多了，也可能是促销结束以后销量快速回落；可能是线上和线下预测没有打通，也可能是原本应该调往其他区域的库存没有及时调拨。再比如一个热门商品连续缺货。WMS 告诉你库存没了，POS 告诉你最近卖得很好，电商 OMS 告诉你线上订单突然上涨，SRM 可能显示供应商交货晚了几天，而全渠道中台又显示部分库存已经被其他渠道提前占用。ERP 知道采购和财务，POS 知道门店交易，WMS 知道库存，电商 OMS 知道线上订单，会员系统知道客户，全渠道中台知道订单、库存和履约如何流转。每个系统都掌握了企业的一部分事实，但真正站在经营角度看，企业缺的已经不是更多事实，而是把这些事实串起来的能力。所以今天很多企业虽然已经有了十几套甚至几十套系统，真正到了经营分析的时候，还是会回到一个熟悉的场景：各部门分别拉数据，做 Excel，销售讲销售的问题，供应链讲供应链的问题，商品部门讲商品的问题，财务再补充利润和成本，最后大家坐在一起拼出一个判断。这并不是数字化没有做好，而是数字化已经走到了新的阶段。现在的问题是：这么多数据放在一起，到底意味着什么。这也是为什么很多企业最后会做很多报表BI来辅助做业务分析，再到后来又有数据中台等系统。
从“发生了什么”，走到“为什么会这样”
第一件事，是把业务搬到线上。订单进入 OMS，库存进入 WMS，采购进入 ERP，会员进入 CRM，大量业务流程逐渐被标准化。第二件事，是把数据集中起来。于是企业开始建设数据仓库、BI 和数据中台，管理者终于可以在一个 Dashboard 上看到销售、库存、毛利、会员这些指标。做到这里以后，企业已经能够比较清楚地知道发生了什么。销售下降了，库存上升了，毛利降低了，某些门店表现不好，这些结果都可以通过报表看到。这也是 AI 出现之后真正值得关注的地方。它的价值可能不只是给每一个系统加一个聊天框，也不只是让 ERP 可以问问题、CRM 可以总结客户。更深一层的变化，是 AI 开始有机会把分散在不同系统里的信息放在一起理解。比如一个供应链负责人问：“为什么华东这几个 SKU 最近总缺货？”过去，他可能需要让几个人分别去查。以后，AI 可以去看最近几周 POS 的销量变化，检查电商订单有没有异常增长，读取当前库存分布和在途采购，看看供应商最近交付是否正常，再判断其他区域有没有可以调拨的库存。最后，它给出的不再只是“现在缺货”，而可能是：线上销量比预测高了 28%，供应商一批货延期三天，同时华南还有部分库存可以调拨，但现有规则没有触发跨区域调拨。再往前一步，还可以给出调拨、采购或者渠道库存调整方案，在人工确认后生成调拨单、采购建议或者审批流程。到了这里，AI 就开始从“回答问题”进入到业务判断和业务执行之间。
企业真正要沉淀的，是 AI 解决业务问题的能力
当然，这里面还有一个更关键的问题：AI 为什么知道这些事情？它怎么知道什么是订单，什么是 SKU，什么叫可售库存，什么情况下算缺货，什么时候应该调拨，哪些库存不能动，哪些动作必须经过人工审批？它们本来就存在于企业里，只是分散在不同地方。有些在 ERP、WMS 里，有些写在接口和业务规则里，有些在 SOP 文档里，还有一些长期存在于业务人员的经验里。到了 AI 时代，需要再往前走一步，把它们逐渐整理成 AI 可以理解、调用和组合的能力。比如查询一个商品在所有渠道的库存，查看一个订单完整的履约状态，判断一个 SKU 是否存在缺货风险，分析某个门店库存异常的原因，评估供应商履约表现，生成补货建议，生成库存调拨方案，或者调用 OMS、ERP 发起后续动作。这些能力一旦沉淀下来，就不再只属于某一个系统，也不再只服务某一个 Agent。采购经理可以用，商品运营可以用，供应链经理可以用，门店经营分析也可以用。不同的 AI 应用，可以在这些能力之上重新组合。这也是我理解的企业 AI 能力平台（Enterprise AI Capability Platform）的价值。它不是再造一套 ERP，也不是再造一个全渠道中台，而是在企业已经运行多年的系统之上，把过去积累的数据、规则、接口、流程和经验，逐渐变成 AI 可以使用的企业能力。
平台不是先建出来的，而是从业务里长出来的
如果沿着这个方向继续往前看，未来企业软件的底层其实不会突然消失。ERP、POS、WMS、电商 OMS、CRM、SRM、会员系统、全渠道中台仍然会存在，因为它们负责的是把业务事实记录准确，把交易和流程执行可靠。真正变化的，是这些系统之上会逐渐多出一个新的 AI 能力层，负责理解问题、寻找信息、分析原因、生成方案、调用能力，再把结果交给原有业务系统去执行。过去做企业系统时，见过很多类似的路径：先建平台，再接数据，再统一标准，最后希望业务部门来使用。逻辑听起来很完整，但项目很容易做着做着离业务越来越远。AI 时代如果还是这么做，很可能只是把过去的平台建设思路重新走一遍。更现实的方式，是从一个真实、具体、每天都在发生的问题开始。比如采购补货、库存异常、门店经营分析，甚至可以再具体一点：帮助一个采购经理，把每天需要花两个小时完成的缺货分析，缩短到二十分钟。做这个场景的时候，自然会发现需要哪些数据，要访问哪些系统，要用到哪些业务规则，哪些判断 AI 可以完成，哪些必须交给人。今天做缺货分析，沉淀商品、库存、采购和供应商能力；明天做库存优化，很多东西就不用重新做；后天再做门店经营分析，又可以继续往上增加新的能力。企业自己的 AI 能力，就是这样一点一点积累起来的。平台不是先设计出来，再寻找应用，而是在解决一个个真实问题的过程中慢慢长出来。
从数据在线，到决策在线
最早是业务在线，后来是数据在线，企业终于能够比较清楚地看见每天发生了什么。AI 再往前走一步，真正要解决的，是让企业不仅能够看见问题，还能够理解问题。理解为什么库存高了，为什么订单晚了，为什么毛利掉了，为什么某个门店表现异常，然后继续回答：接下来应该做什么。如果这一步能够真正跑起来，企业数字化才开始从“数据在线”走向“决策在线”。再往后，当一部分低风险、高确定性的决策可以自动进入业务系统执行，才可能进一步走向“执行在线”。这可能才是企业 AI 更值得长期建设的方向：不是再增加多少个 AI 工具，而是让企业过去几十年积累下来的系统、数据、流程、规则和人的经验，真正开始被 AI 理解和使用。到那个时候，AI 才不只是企业里的一个新软件，而会慢慢成为企业经营的一部分。
（来源：T媒体）
The End
免责声明：本文内容来源于第三方或整理自互联网，本站仅提供展示，不拥有所有权，不代表本站观点立场，也不构成任何其他建议，对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性不作任何保证或承诺，请读者仅作参考，并请自行核实相关内容,不承担相关法律责任。如发现本站文章、图片等内容有涉及版权/违法违规或其他不适合的内容， 请及时联系我们进行处理。
