零售企业的利润高度依赖库存周转。一件商品断货三天，损失的不只是这三天的销售额，还有顾客下一次的选择。天虹的 AI 改造，正是从这条链条上最痛的地方切进去的。

一、三个被改造的环节

选品：过去采购要在多个平台之间反复搜索、比价、看趋势。现在智能体结合采购群聊天记录、门店会员信息和外部社交平台热度，给出候选商品清单，采购在清单上做判断。

断货归因：商品断货后，员工原本要从订单、库存、配送三类记录里人工倒查原因，往往要两三天才能定位。现在智能体汇总系统数据并向门店推送预警，归因时间缩短到当天。

客诉分析：消费者反馈散落在企业微信群里，人工很难看全。现在由智能体汇总分析，每月处理约 10 万条信息。

三项合计，天虹预计每月可节省约 1800 个工时。

二、真正的难点不在模型

这三个场景有个共同前提：数据必须接得进来。选品要接会员系统，断货归因要接订单、库存、配送三套系统，客诉分析要接企业微信。

很多企业做到一半卡在这里——模型能调，接口调不通；接口通了，字段对不上；字段对上了，权限又不允许。

天虹的做法是把智能体接到企业微信这个员工天天在用的入口，再通过连接器打通内部系统。员工不需要学新工具，工作流也没有被切断。

三、值得注意的两个细节

第一，AI 不给最终决策。选品给的是候选清单，断货给的是预警和原因，最终判断仍由人做。这在零售这种容错率低的行业里是必要的。

第二，收益可以量化到工时。1800 个工时是个可核算的数字，这让项目在内部更容易持续获得资源。相比之下，"提升了效率"这种描述很难支撑第二年的预算。

四、可复制的路径

如果你的企业也在零售或连锁行业，可以按这个顺序推进：

1. 先找一个数据已经在线、且有明确对错的环节，比如断货归因；
2. 把相关系统的字段对齐，这一步最耗时间，别低估；
3. 从"给建议"开始，不要一上来就让 AI 直接下单或改库存；
4. 用省下的工时或缩短的天数做验收指标。

写在最后

零售 AI 的竞争，本质是数据通路和流程颗粒度的竞争。模型能力会拉平，但谁的系统接得更深、谁的业务流程拆得更细，差距会一直存在。