上周和一位在班加羅爾待了四年的朋友吃飯，他說了句讓人愣住的話："現(xiàn)在不是討論AI能做什么的時(shí)候了，我們在做的事，是讓公司本身變成AI的容器。"他指的是一家美國零售巨頭在印度的布局——不是簡單采購幾個(gè)模型接口，而是把AI嵌進(jìn)采購、庫存、收銀、排班的每一個(gè)毛細(xì)血管里。

《印度時(shí)報(bào)》拿到了一組內(nèi)部數(shù)據(jù)：這家零售商目前在印度的技術(shù)團(tuán)隊(duì)規(guī)模已超過其在硅谷總部的工程師數(shù)量。團(tuán)隊(duì)結(jié)構(gòu)也完全不是傳統(tǒng)的外包模式——印度這邊負(fù)責(zé)核心算法的訓(xùn)練與部署，美國那邊更多在做前端體驗(yàn)和商戶關(guān)系。一位參與項(xiàng)目的工程師對媒體描述："我們寫的不是某個(gè)功能的代碼，是在重新定義公司操作系統(tǒng)。"

這一轉(zhuǎn)向背后的邏輯值得拆解。過去三年，零售業(yè)的AI應(yīng)用大多停留在"用AI"的階段——客服機(jī)器人回答退貨政策、推薦引擎猜測你還想買什么、倉儲(chǔ)系統(tǒng)告訴你哪個(gè)貨架快空了。這些功能的共同點(diǎn)是：AI是外掛，主系統(tǒng)不需要它也能跑。而現(xiàn)在這家零售商嘗試的路子是"跑在AI上"——核心業(yè)務(wù)流程的調(diào)度權(quán)逐步交給模型，人的角色從操作者變成了監(jiān)控者和例外處理者。

正方觀點(diǎn)認(rèn)為這是必然方向。人力成本、庫存損耗、門店坪效，零售業(yè)的利潤像毛巾里的水，擰了幾十年，能擠的都擠完了。AI不是錦上添花，是下一波效率紅利的唯一來源。而且印度的工程師池提供了"不可能在美國達(dá)到的迭代速度"，一位印度裔高管在內(nèi)部信里這樣寫道。

反方的擔(dān)憂同樣具體。把供應(yīng)鏈決策權(quán)交給模型，出了錯(cuò)誰來擔(dān)責(zé)？一次采購偏差可能造成數(shù)百萬美元的過期損耗。更隱蔽的風(fēng)險(xiǎn)在于，當(dāng)數(shù)千家門店的運(yùn)行節(jié)奏都被同一個(gè)系統(tǒng)調(diào)控時(shí),故障不再是一座孤島——2023年感恩節(jié)當(dāng)天某云服務(wù)宕機(jī)導(dǎo)致其電商癱瘓四小時(shí)的舊賬，至今還在董事會(huì)的復(fù)盤文件里掛著。

《印度時(shí)報(bào)》在報(bào)道中指出了一點(diǎn)容易被忽略的事實(shí)：團(tuán)隊(duì)的真正瓶頸不在模型精度，而在數(shù)據(jù)質(zhì)量。印度團(tuán)隊(duì)花了整整七個(gè)月清洗歷史庫存記錄，發(fā)現(xiàn)超過11%的入庫時(shí)間戳存在偏差，3%的貨品編碼重復(fù)。一位數(shù)據(jù)工程師的原話是："我們以為自己在訓(xùn)練AI，其實(shí)頭半年只是在教公司怎么記賬。"

我的判斷傾向于正方的方向，但反方的問題才是真正的關(guān)卡。零售業(yè)和互聯(lián)網(wǎng)產(chǎn)品不一樣——后者可以灰度發(fā)布、快速回滾、用A/B測試慢慢磨出最優(yōu)解。但一家實(shí)體門店的庫存預(yù)測錯(cuò)了，貨架上就是真的空了，顧客是真的走了。這意味著"跑在AI上"不是技術(shù)問題，是組織問題：誰有權(quán)限叫停模型、人工介入的觸發(fā)閾值設(shè)在哪里、一線店長的經(jīng)驗(yàn)如何被編碼進(jìn)系統(tǒng)反饋閉環(huán)里。

報(bào)道里提到的一個(gè)細(xì)節(jié)讓人印象深刻。印度團(tuán)隊(duì)在試點(diǎn)門店的后臺裝了一個(gè)物理按鈕，店長如果覺得AI的補(bǔ)貨建議明顯不合理，按下按鈕就可以切換回人工決策模式，同時(shí)按鈕按下的那一刻的系統(tǒng)快照會(huì)自動(dòng)上傳到模型團(tuán)隊(duì)做歸因分析。這個(gè)設(shè)計(jì)不像硅谷風(fēng)格，更像在孟買街頭學(xué)到的智慧——承認(rèn)不確定性，用可逆的機(jī)制對沖風(fēng)險(xiǎn)。

另一篇配套分析指出，這家零售商的印度技術(shù)中心過去十二個(gè)月的招聘方向發(fā)生了明顯變化。純算法崗位的比例在下降，增長最快的是兩個(gè)看似相悖的角色：懂零售業(yè)務(wù)的數(shù)據(jù)產(chǎn)品經(jīng)理，和做模型可解釋性的工程師。這個(gè)信號比任何行業(yè)報(bào)告都更誠實(shí)地說明了競爭正在走向哪里——不是堆參數(shù)，是在現(xiàn)實(shí)世界的約束條件下讓AI穩(wěn)定地產(chǎn)生商業(yè)回報(bào)。

對于在看類似方向的公司，有三條參考線值得標(biāo)在墻上：先跑通一個(gè)窄場景的端到端閉環(huán)，別急著鋪全業(yè)態(tài)；把成功標(biāo)準(zhǔn)定在業(yè)務(wù)指標(biāo)上，不要用"模型準(zhǔn)確率"安慰自己；從第一天就讓業(yè)務(wù)負(fù)責(zé)人和工程團(tuán)隊(duì)坐在一間屋子里。報(bào)道特別強(qiáng)調(diào)，在這家零售商的印度辦公室里，商品部門的采銷老員工和25歲的算法工程師共用同一排工位，背景完全不同的人因?yàn)楣蚕硗唤MKPI而被迫找到共同語言。