编者按：上一期我们分享了制造行业CIO的AI落地实践《【CIO访谈实录】热潮下的理性共探，制造企业一线CIO对AI未来趋势分歧的讨论》，本期我们邀请了多位快消领域的CIO参与对话，包括锅圈食汇CIO王振杰、国内大型乳业集团创新与AI应用负责人刘先生、知名美妆零售企业CIO Ryan Liang，以及中炬高新（广东美味鲜）信息技术总监丛健，一起来看看他们的真知灼见吧~

问题1：现在行内有2种声音：企业如果不尽快用大模型重构核心系统，会错失下一个十年；也有人坚持，绝不能拿ERP、核心交易系统给Al做试验。对此您更认同哪种思路？支撑您判断的核心依据是什么？

锅圈食汇 CIO 王振杰：我认同的策略是不能过于激进也不能过于保守。在核心ERP、供应链系统中可以让AI帮助审核、查找问题、但这些尝试刚开始需要进行二次确认。支撑这一判断的核心依据在于锅圈食汇的业务特性与AI当前的成熟度。

锅圈食汇作为社区零售企业，我们的ERP、供应链系统和门店交易系统是维持数千家门店运转的“生命线”，对数据准确性和系统稳定性的要求是100%。而当前的大模型本质上仍是概率模型，存在幻觉和不确定性。在库存扣减、财务结算等核心链路中，任何微小的概率性错误都可能导致严重的业务事故。因此，我的策略是“核心系统稳如泰山，边缘场景大胆创新”。AI应当作为智能插件去赋能外围系统（如智能审批、智能客服、营销文案生成），而不是去替代或重构那些需要绝对确定性的核心交易底座。

国内大型乳业集团 创新与AI应用负责人 刘先生：我不太赞成这两种极端说法。ERP、财务结算、核心交易这些系统，第一要求仍然是稳定、准确和可追溯，不能为了展示AI，把企业经营的底座变成试验场。但“不动核心系统”也不等于什么都不做。更现实的路径，是先用AI改造核心系统外围的人机交互、知识获取、决策支持和流程编排，再逐步进入业务闭环。判断一个场景能不能往前走，我主要看几件事：业务价值够不够大，数据是否可用，效果能不能验证，出了问题能不能回退。对于低风险、高频、高价值的任务，可以快一点；涉及付款、定价、财务入账等高风险操作，先让AI提建议，由人审批，成熟以后再逐步提高自动化程度。

问题2：行业内有“通用大模型一统天下”和“垂直小模型才是落地王道”两种声音，您更倾向哪条技术路线？背后的核心理由是什么？

锅圈食汇 CIO 王振杰：我更倾向于“通用大模型+垂直私有模型”的混合路线，但在核心业务上更看重垂直小模型。背后的核心理由是成本与数据安全的平衡。通用大模型能力强大，但调用成本高，且将锅圈核心的供应链数据、门店经营数据传给公有云模型存在合规与商业机密风险。我们的业务（如火锅食材的选品、社区用户的口味偏好）具有极强的行业垂直属性。因此，我们选择利用通用大模型的基础能力进行微调，构建属于锅圈的“零售与餐饮垂直小模型”。这既能保证模型懂我们的业务逻辑，又能将核心数据留在本地或私有云，这才是企业真正的护城河。

国内大型乳业集团 创新与AI应用负责人 刘先生：我不会押注某一个模型，更不认为一个模型能解决企业所有问题。通用大模型在语言理解、复杂推理和跨场景任务上更有优势；专业模型和小模型，在成本、速度、私有化部署和结果稳定性方面也有自己的价值。

企业真正落地时，通常是组合使用。底层可以接入多个大模型，上面叠加企业自己的知识、数据、业务规则、工具和工作流。有些任务交给通用大模型，有些任务交给小模型或者规则引擎。对企业来说，模型本身会不断变化，真正应该沉淀下来的是知识库、业务流程、Skill、Agent、评测体系和安全治理能力。我们的选择原则是模型可替换，企业能力和资产要掌握在自己手里。

知名美妆零售企业 CIO Ryan Liang：我认为这不是一道“通用大模型还是垂直小模型”的二选一题，而是一个企业级的架构设计问题。更准确地说，我倾向于以业务约束为中心的混合路线：让通用大模型处理长尾、多样、低频的认知型任务，让垂直模型处理高频、同质、对SLA敏感的确定性任务，再通过统一的路由与编排层进行动态分发。

在美妆零售场景中，内容生成、商品知识问答、导购辅助和内部协同等任务，很适合优先使用通用大模型。它的优势是开箱即用、迭代快、覆盖面广。但企业不能把“接入了一个大模型”当作竞争力。模型能力会越来越像基础设施，真正应沉淀的是业务Know-how、私域数据、流程设计和工程编排能力。

更重要的是，要看清大模型的可靠性边界。我们评估的不是它“能不能做”，而是它在什么条件下能稳定做好、失误的代价是否可承受。对于创意内容和内部知识辅助，企业可以接受一定的不确定性；但对于对外客服、价格与权益解释、供应链决策等场景，稳定性、可追溯性和责任边界必须优先于“回答得像不像人”。

垂直模型在这里有不可替代的价值。以推荐、搜索排序、需求预测、基础客服意图识别为例，这些场景通常并不需要每次都调用大模型，而是要求高并发、低延迟、低成本和结果可控。这里的主力也未必是小语言模型，很多时候是针对具体任务训练的专用模型。它们更容易调优、归因和审计，在高频业务中往往有更好的投入产出比。

因此，企业真正要建设的核心能力，是一套“路由＋编排＋评估＋数据回流”的体系。系统应根据任务类型、精度要求、延迟预算、成本预算和数据敏感度，决定调用哪个模型。一个实用的方式是分层调用：先由快速、低成本的模型完成基础判断；当置信度不足或遇到复杂问题时，再升级到能力更强的大模型。这样既能保障体验，也能避免把高成本能力滥用于所有请求。

未来，大模型会通过蒸馏、量化变得更轻，小模型也会借助检索增强、工具调用不断变强，二者的边界会越来越模糊。正因为如此，企业更不应把战略押注在某一个具体模型上，而应让业务与底层模型解耦。模型会不断换代，但这套可评估、可观测、可灰度、可回滚的调度体系，以及持续回流的业务数据，才是企业能够长期积累的AI护城河。

问题3：当CEO带着“我们要打造行业首个AI原生企业”的目标来找您时，您在技术层面会如何管理老板的预期？

锅圈食汇 CIO 王振杰：当CEO提出“打造行业首个AI原生企业”的宏大目标时，作为CIO，我的职责是将“技术愿景”翻译为“可落地的业务里程碑”。在技术层面，我会通过“小步快跑、数据说话”的方式来管理预期。我不会承诺AI能立刻带来颠覆性的营收增长，而是设定具体的、可量化的阶段性目标，例如“AI智能补货试点降低10%的门店缺货率”或“AI客服拦截30%的常规咨询”。我更愿意向管理层展示AI在降本增效上的真实ROI，而非虚无缥缈的概念。

国内大型乳业集团 创新与AI应用负责人 刘先生：如果CEO提出这样的目标，我首先不会急着从技术名词出发，而是把它翻译成几个经营问题：哪些业务流程会发生变化，哪些岗位会形成新的人机协作方式，哪些经营指标会因此改善。只有把这些问题说清楚，AI原生才不是一句口号。在预期管理上，我会把目标分阶段。前3个月，要看到可以使用、可以量化的场景；6-12个月，要形成跨系统的业务闭环；更长期才是组织、岗位和决策权的调整。过度承诺肯定要避免。模型不是百分之百准确，试点成功也不代表能够马上规模化，更不能轻易承诺AI会替代多少人。技术团队既不能给老板泼冷水，也不能只报喜不报风险。比较好的方式，是每个阶段都给出看得见的结果，同时把边界和风险讲在前面。直白点，就是让业务把效果说出来，给CEO看得到、用得到。

问题4：您考虑自研行业大模型还是接入现成模型，您的决策逻辑是什么？您怎么看那些投入巨资自研模型后又陷入沉默的企业？

锅圈食汇 CIO 王振杰：我考虑直接接入现有模型或私有化部署开源模型，在此基础上进行应用层开发和微调。决策逻辑非常现实：自研基础模型需要数以亿计的算力投入和顶尖算法团队，这完全偏离了锅圈作为零售企业的核心竞争力。我们的优势在于海量的线下门店数据和真实的消费场景。至于那些投入巨资自研模型后陷入沉默的企业，我认为他们混淆了“造模型”和“用模型”的界限。对于绝大多数企业而言，AI的价值不在于拥有一个自己的模型，而在于将模型能力无缝嵌入到业务流程中解决实际问题。

国内大型乳业集团 创新与AI应用负责人 刘先生：对于我们企业来说，我不会把从头训练基础大模型作为默认选项。基础模型投入很重，技术迭代又非常快，企业很难仅靠参数规模形成长期优势。更合理的方式，是通过企业级AI平台和模型网关接入多个国内外模型，再结合自己的业务数据、知识体系和流程做增强。确实有特殊需要时，可以做微调或者专业模型，但没有必要什么都从底层开始造。有些企业投入很大，最后却没有声音，很多时候不是模型没训练出来，而是没有进入真实业务。模型做完了，没有高频用户，没有业务负责人，也没有评测、运营和持续迭代机制。真正的企业壁垒不是模型有多少参数，而是能不能把自己的业务知识、流程经验和数据转化成持续可用的AI能力。

问题5：有CIO会担忧AI投入巨大但产出难以量化，最终会沦为新一轮技术面子工程，您怎么看？

锅圈食汇 CIO 王振杰：我非常理解这种担忧，这也是我在推动AI落地时最关注的红线。AI绝不能沦为技术面子工程，必须与业务结果强绑定。

在锅圈，我们评估AI项目的唯一标准就是“业务价值”。如果一个AI场景不能带来以下三种结果之一，我们就会果断叫停：一是直接增加营收（如AI精准推荐提升客单价）；二是显著降低成本（如AI优化冷链物流路径降低履约成本）；三是极大提升人效（如AI辅助店长自动生成门店经营日报）。我们要求所有AI项目立项时必须有明确的业务负责人共同背书，技术部门只负责实现，业务部门对最终的ROI负责，从机制上杜绝为了AI而AI。

国内大型乳业集团 创新与AI应用负责人 刘先生：这个担心是真实存在的。如果只看部署了多少模型、上线了多少Agent、消耗了多少Token，AI很容易变成一个看起来很热闹的技术工程。我们评价AI场景时，需要把它和具体业务任务绑定。原来需要多少人、花多少时间、错误率是多少、现在改善了多少，都要有基线。效率类场景看释放了多少有效工时，经营类场景看收入、转化或者库存变化，管理类场景看质量、风险和决策周期。原型阶段验证技术可行性，试点阶段验证业务效果，规模化阶段再看总体成本和复用价值。如果一个场景长期不能形成业务结果，也要敢于停止投入。公共平台、知识治理和安全能力仍然要建设，但它们最终必须被场景使用，而不是为了建设平台而建设平台。

中炬高新（广东美味鲜） 信息技术总监 丛健：大家担心AI变成面子工程，问题不在AI技术本身，而是盲目跟风投入、价值没法量化、技术和业务脱节。作为CIO，我们不用追求一步建成大型AI平台，而是要坚持以业务痛点为导向，从小场景试点落地，把收益指标做实、再全程跟踪投入产出。只要每一笔AI投入都能对应看得见的业务成效，一线员工真正日常在用，AI就会成为创造价值的生产工具，而非仅供展示的数字化摆设。

问题6：您在内部优先推动的AI场景是什么？

锅圈食汇 CIO 王振杰：我们优先在“我的小板凳”落地了AIOT，通过AI创立一种新的商业模式，并有效降低门店成本。另外我们也会在供应链端的智能预测与补货，其次才是营销和客服。

虽然营销和客服见效快，但对于锅圈食汇这种重供应链的社区零售企业来说，供应链才是利润的源泉。火锅食材具有极强的季节性和地域性，且保质期短。过去依靠店长经验补货，极易造成损耗或断货。我们优先利用AI分析历史销量、天气、节假日乃至周边社区活动等多维数据，进行智能销量预测和自动补货建议。这个场景虽然前期打磨周期长，但一旦跑通，对库存周转率和毛利率的提升是不可逆的，这才是AI带给我们的核心壁垒。

国内大型乳业集团 创新与AI应用负责人 刘先生：我们内部不会简单地按“供应链还是营销”来排优先级，而是看场景成熟度：是不是高频任务，数据能不能拿到，有没有明确的业务负责人，结果能不能量化，风险是否可控。从国内大型消费品企业来看，我更倾向于同时推进一快一深两类场景。快的场景包括消费者洞察、营销内容、客服辅助、知识检索和员工办公提效，这些比较容易快速看到效果。深的场景则进入研发与IPD、供应链计划、财务运营、质量管理等核心流程，周期更长，但一旦形成闭环，价值也更大。我的看法是，不能只有零散的效率工具，也不能一上来就啃最难的核心流程。要用快速场景建立信心，同时选择一两个核心流程做真正的样板。

中炬高新（广东美味鲜） 信息技术总监 丛健：我们的想法是双线分步推进：短期优先落地营销、客服类AI，这类场景落地快、收益直观，能快速跑出样板，证明AI投入价值；中长期持续深耕供应链AI，打通需求预测、库存与风险管控，塑造难以复制的长期核心竞争力，兼顾短期见效与长远变革。

问题7：目前80%的企业级AI应用会集中在哪些领域？假设三年后回看今天，您觉得哪一项AI共识可能会是最大的误判？哪些火热的场景会被证伪？

锅圈食汇 CIO 王振杰：假设三年后回头看，我认为目前大家最大的误判可能是：高估了AI在短期内替代人类复杂决策的能力，而低估了AI作为“超级工具”对现有工作流的渐进式改造。我认为80%的企业级AI应用最终会集中在“非结构化数据的处理与知识检索”以及“标准化流程的自动化执行”这两个领域。例如，自动处理海量的门店巡检照片、智能分析客服录音提取客诉痛点、自动化生成各类合规报表等。

而那些今天火热但可能被证伪的场景，我认为是“完全无人化的AI Agent”。在零售和餐饮这种强服务、重体验的行业中，冷冰冰的AI无法提供社区门店所需的人情味和信任感。AI应该是在幕后赋能店员，让店员有更多精力去服务顾客，而不是直接走到台前取代他们。

国内大型乳业集团 创新与AI应用负责人 刘先生：我觉得最大的误判可能是把AI当成一套更聪明的软件，认为买了模型、上线一个聊天入口、让员工开始使用，就完成了AI转型。三年以后，企业真正拉开差距的地方，应该不是谁的聊天机器人更漂亮，而是谁把AI放进了真实流程和经营决策。

未来大部分企业级AI应用，会集中在岗位助手、企业知识、流程协同和受控的任务自动化上。AI会逐步进入研发、供应链、营销、客服、财务和管理决策，但多数情况下仍然需要明确的权限、责任和人工兜底。今天一些很热的方向，例如只有问答、没有业务闭环的知识助手，大量同质化的内容生成和数字人，以及每家企业都从头训练一个大模型，可能不会完全消失，但会变成普通功能，不再是企业竞争力。最后留下来的，一定是能够进入流程、持续运营、产生业务结果的应用。

中炬高新（广东美味鲜） 信息技术总监 丛健：长期来看，80%企业AI会集中三大务实赛道：一是办公流程自动化，处理财务、合同、工单等标准化工作；二是前端客户经营，智能客服、线索运营、营销内容生产；三是产业预测风控，包含供应链需求预判、生产质检、设备运维与经营风险预警。现在热度很高的几类场景，比如：展厅纯展示数字人、无权限管控的开放式ChatBI、用生成式AI处理精密核算等确定性业务、不沉淀行业私有数据的通用全域大模型平台，运维成本高、风险不可控，难以形成常态化商用价值。

站在当下展望三年后，行业可能会认为采购大模型、配齐算力就能自动创造价值，其实逐渐发展大家会看清，缺数据治理、不改业务流程，再多AI投入也只会停留在演示Demo，很难落地变现。总之，能嵌入业务、有真实收益的AI才能留存，只追逐热点、脱离流程的泡沫场景终将被市场淘汰。