摘要：企业面临新的数据治理成本，SaaS系统边界存在局限性，大模型辅助决策的能力有待验证……尤其，从中大型企业的视角来看，AI虽然能应用于很多单点场景，却很难找到体系化的切入点。

在品牌零售行业，智能化转型陷入了一个怪圈。

技术团队执着于利用越来越高的模型参数、算法优化来解构标准化流程，带来降本增效，而当系统运转起来，业务部门却难免会抱怨：“系统听不懂人话”。

自2023年开始，企业数字化开始追逐大模型浪潮，在C端不断涌现效率成果的AI，到了B端，业务与前沿技术却开始错位。

企业面临新的数据治理成本，SaaS系统边界存在局限性，大模型辅助决策的能力有待验证……尤其，从中大型企业的视角来看，AI虽然能应用于很多单点场景，却很难找到体系化的切入点。

百丽时尚这家在中国300多个城市拥有8000多家门店的时尚鞋服巨头，在过去的两年多时间里，与其长期合作伙伴滴普科技共同探索构建了一套AI落地方法论。

不是用技术来颠覆业务，而是将业务规则转化为了AI的“母语”。这在如今大模型争鸣的叙事中，体现了企业自身拥抱浪潮的主体性。

在决定体系化全面投入AI之前，百丽时尚首先意识到的是，大模型的幻觉问题在产业场景中会被无限放大。

比如，当管理人员询问“某款产品为何滞销”的时候，AI可能会针对同样的数据推理出不同方向的解释，却很难穿透业务本质。

问题的核心在于，无论是通用类模型还是垂类模型，都缺乏企业自有场景的规则锚点。

这也就意味着，AI的能力上限需要以业务规则结合数据质量、工程化技术、人工经验参与等形式来弥合。

因此，百丽时尚选择与自己长期的Data+AI服务商滴普科技合作。通过整合模型栈，基于滴普科技企业大模型Deepexi和百丽时尚数据基础精调训练推理模型Deepexi-RM用于商业流通行业落地的垂类模型，并通过这一行业模型和滴普科技的FastAGI智能体平台构建Agentic AI（代理型人工智能）应用的逻辑来实现应用的精确度（消除大模型的幻觉）。

除此之外，AI产业化落地还存在两个关键痛点：

第一，数据治理问题，非常考验组织的创新基因，也被看作AI产业化的“地基”问题。要实现从“数据沼泽”到“数据仓库”再到“数据金矿”的资产化转变，需要的是企业抛开孤立的技术视角，将数据治理纳入战略框架。

过去，百丽时尚的数据处理以标签为主，但数仓下的标签化思维在AI时代并不能发挥最大数据潜力，因此，百丽时尚开始设计标注体系，基于业务价值密度进行场景化拆解。

在部署AI驱动的治理工具集的同时，百丽时尚通过“标签+标注”体系，将静态数据转化为动态业务上下文，易于AI理解和推理。例如，一款鞋的“热销”标签不再由人工定义，而是根据实时销量、试穿率、连带购买率等指标变化而动态生成。

数据治理是企业向“AI工业化”迈出的第一步。而在长期应用、持续学习机制的过程中，数据驱动下的模型决策很难与业务端对齐，则是AI自身在产业化过程中“广为诟病”的另一点。

根据百丽时尚的自身经验，在真正的模型训练过程中，企业的数据量很大，噪音也会很多，不能全盘喂给大模型，而需要通过系统性策略平衡数据质量与模型效果。

在包括时尚鞋服在内的大多数覆盖产品研发、供应链、零售、市场营销的行业中，业务推理的复杂性远超想象。从市场趋势预测、柔性供应链调度、动态定价、库存销售分析等，每个决策环节都需要融合经验判断和理性数据分析。这种多重属性，也使得普通数据无法形成能够直接作用于决策的关联性。因此，构建业务思维链成为了关键突破口。

从百丽时尚的实践来看，AI实现决策落地的核心推理挑战，目前在于多模态决策融合、快速反应机制构建等方面，由此，在自主构建垂类大模型的同时，针对关键场景优化数仓管理机制、沉淀企业知识平台、开发人机协同的AI Agent，能够初步做到将经验驱动的思考过程转化为可溯源、可计算、可优化的智能决策体系。

在百丽时尚的智能化数仓实践中，AI正在重构数据的“活性”标准。

传统数仓的模式本质是静态规则容器，业务端需要穷举分析维度，以至于所谓的智能化仍然突破不了人的理解上限。因此，百丽时尚在过去数字化转型中所建立的指标系统，以大模型所需的支撑来看远远不够。

同时，市面上的企业级人工智能应用提供商，如与百丽时尚合作的滴普科技，自身也在迭代企业数据智能管理产品。在Data Fabric架构理念下，滴普科技开发了湖仓一体的智能化数据平台，让新的数据管理模式能够更敏捷高效地被融入大模型驱动的数据分析、智能执行。

滴普科技的技术路径，亦可观察到智能化时代，企业进行数据重构的必要性。

过去，重数字化的传统数仓强调的是对于业务查询规则的预先确定，即人工定义好静态查询规则下，业务逻辑固化在管道中，从而开展后续业务洞察，这种方式就类似大模型领域的预训练（pre-training）过程。

而如今的智能化数仓，则是以实时化的业务分析和应用决策为核心，让模型动态生成规则，将业务知识储存在模型参数与向量空间内，更强调的是业务洞察规则快速生成和执行的后训练（post-training）过程。

因此，百丽时尚今年的重构性举措是基于指标平台的各种指标及相关含义作为冷启动数据来生成业务上下文（business-context），让模型能学习到指标背后的业务规则和指标与指标之间的相互关系，从而论证并实现了智能数仓。

当AI的能力超越执行人工规则定义，上升到了理解业务、从而“创造规则”的维度，业务端和管理端的协同也会变得更高效。

比如，一个通用的标准化协同场景是，管理层做决策之前想要看数据，业务端需要调取数据指标。在传统的中台化系统中，业务动作和数据反馈往往存在割裂性：需要提交需求、手动串联系统，业务端很难精准理解到多少数据能支撑管理层的分析需求。而大模型创造规则的过程，则从业务流程上打破了这一“僵局”。

“智能化数仓+大模型理解”的工作流，将业务动作转化为规则生成器，通过实时图谱、动态指标、业务指令封装等数据引擎，让业务端的每项操作都能成为训练数据源，实现从需求响应式分析到操作引导式决策的转变，管理层所需的数据驱动决策也就不再仅仅停留在“看数”的维度上。

如果用中医的“望闻问切”来比喻，以前是在“望”数，现在则已经逐渐过渡到了“问切”。

百丽时尚对中台化场景的重新思考，也帮助品牌零售行业观察到了当下数字化增效的本质逻辑：不应该由技术来拆解业务，而是应该由人来从业务场景出发，拆解技术。

基于这一目的，在和滴普科技共创的案例中，百丽时尚分别训练出了决策类AI和执行类AI，打散传统固化的数字化流程，将中台能力后置，前方则通过AI的学习能力灵活调用API接口，从而让中后台能力实现灵活复用。

值得一提的是，在决策类AI中，百丽时尚通过引入多模态模型栈，构建了B端决策的物理约束系统，从而遏制了AI在业务场景中的幻觉漂移，进一步作用于智能审批流重构，如合同合规审查等。其带来的效率价值，对于当前其他行业的AI产业化落地也具有参考性。

随着Manus的炙手可热，Agentic AI的能力和应用潜力也一并进入了大众视野。

事实上，在国内最早一批走上AI产业化之路的企业眼中，Agentic AI早就不是什么新鲜名词，而是AI产业化落地最后一公里的必经之路。

以百丽时尚在补货流程上的优化方案为例。过去，总部每周会通过邮件向区域发放补货清单，通过层层数字化审批后，横跨多个系统回传，材料版本存在一定的混乱和滞后性。

而如今，百丽时尚已经基于钉钉等企业业务协同底座，构建轻量化应用，将整个链条以嵌入式的方式进行传达，再基于滴普科技的智能体平台fastAGI构建Agentic AI的智能化手段自动触发系统指令和审批流，提高实时效率。

Agentic AI的优势，不仅仅是通过自动化指令释放生产力，还有将原本分散在各个系统中的文件格式和动作收束为连贯的数据流，让整个执行过程可追溯、可干预、可由大模型实现智能化判断。

通过Agentic AI，百丽时尚将企业管理流程中最看重的“操作痕迹”，直接转化为数字化轨迹，再为后续的模型训练提供基于真实业务场景的“细胞级”数据养分，这就是AI助理在产业化中的魅力所在。尤其是在品牌零售领域，传统“人货场”和新型数字化组织管理之间的协同效率，往往能够成为决定一家企业成败的关键因素。

由此可见，智能化重构既需要清晰的业务逻辑，也需要重视人和技术底座的价值。

无论是钉钉的智能化应用生态开放性，还是滴普科技自身从中台化走向智能驱动平台的底层架构升级，体系化实践的成果，都是基于百丽时尚对于供应商业务理解能力的筛选，而不是单纯考量其技术的先进性。

未来，Agentic AI将有望打开AI产业化的“锁”，在一段时间内主导大模型ToB应用的形态。而在此过程中，除了系统性重构之外，企业还应考虑三点差异化壁垒：

1.IT基础建设方面，技术架构与业务逻辑的耦合深度

2.行业Know-how的工程化能力

3.在技术合作伙伴的选择上，其产品形态与自身商业价值点高度匹配，能够长期共创

在满足了这三点要素之后，AI产业化的核心价值才不会是数据资产的堆砌，而是像“资深店长”一样全面感知业务的细微变化，实时适配和改善业务连接点，更精准的响应需求，提升企业竞争力。

技术解决方案，是为了缝合业务断层，连接人与人，而并非刻板追求标准的数字化体验。滴普科技能在Agentic AI尚未成为企业智能化主流形态的短时间内，迅速将过去长期合作经验中对于时尚行业的理解封装为标准化产品，也是在生态协同中业务与技术共同演进的体现。

在产业智能化时代，技术供应商的角色将不再局限于传统定制化SaaS的销售模式，让前沿技术“蹲下来听需求”是必须要完成的前置底座环节。

从百丽时尚的案例来看，这种转型没有捷径，全局重构、数据治理的过程可能是艰辛且默默无闻的，但一个行业的创新活力、商业竞争力也往往由此而来。

今天，Agentic AI已经让我们看到，最好的智能化并非一上手就要开始生成与创造，而是先重构企业理解世界、理解人的方式，下一步再去创造。之所以目前产业化价值最高的AI应用形态仍是AI Agent、AI Copilot，就是因为“协助”才是智能化转型的主题。

来源：小夭看天下