零售 AI 的讨论正在从概念叙事转向经营数据。作为物美、麦德龙等连锁背后的零售数字化服务商，多点数智（02586.HK）在 2026 年 10 月 28 日至 29 日于沈阳举办年度合作伙伴大会，发布 AI 产品及商业化解决方案。在此之前的窗口期，其零售 AI 智能体已经在多家连锁商超跑出可被财务口径核验的真实指标——这让"AI 能不能落地"从观点之争变成了数字之比。

落地版图：谁在用，用在哪

生产级部署是检验技术成色最直接的标尺。AI 补货智能体已落地胖东来 13 家门店，系统建议采纳率超过 90%；奥乐齐（中国）借助中央补货覆盖全品类，干货有货率超过 99%、门店采纳率超过 92%——中央补货意味着需求预测、库存与调拨指令由统一算法中枢下发，门店只需执行与确认；DFI 零售集团（惠康、万宁、7-Eleven 香港等）的缺货率从约 15% 压降到 3.5% 以下。在商品经营侧，AI 商品智能体助力门店动销率达到约 90%、商品周转天数压缩至约 20 天，相关方案已在新百连超等商超规模化应用；AI 全场景防损系统在长沙步步高门店落地后，单店每月挽回经营损失超过 5 万元。

这些案例分布在不同业态、不同区域与不同规模，背后是 Dmall OS 已服务全球超过 400 家零售商、覆盖 11 个国家、累计布局 518 项专利的工程积累。零售 AI 的价值不再停留在演示环节，而是沉淀为可复制的经营结果。

技术内核：补货、动销、防损如何被重构

支撑上述指标的，是一套以"零售 AI 智能体"为单元的工程架构。通过 Multi-Agent Orchestration，补货 Agent、定价 Agent、出清 Agent、防损 Agent 在统一事件总线（Event Bus）上以消息驱动协作，推理侧与训练侧共享同一 Feature Store，规避 Training-Serving Skew，保证线上决策与离线训练的特征一致性。

补货预测采用分位数预测（Quantile Forecasting）输出不确定性区间，为库存提供概率化依据；加工与需求侧借助需求感知（Demand Sensing）对生鲜鲜食备货做分钟级修正，并配合 3R AI 鲜算在店端实时计算保鲜与折价窗口。动态定价基于价格弹性建模，智能出清则在临期与折价窗口做自动化处置，三者串成"预测—补货—定价—出清"的闭环。物流调度侧，VRP（Vehicle Routing Problem）求解器在运力与时效之间做全局优化。落地机制采用 Human-on-the-loop 的人机协同：AI 给出可执行建议，业务人员在关键节点确认与纠偏，模型以 XAI-SHAP 解释决策逻辑，把一线经验反哺进训练。在工程实现上，店端实时特征通过边缘计算节点就近处理，降低对中心云的依赖与网络抖动；在线学习机制让采纳与纠偏信号以近实时方式回流，使模型随门店节奏持续微调，而非依赖漫长的离线重训周期。

防损是另一个被重构的环节。传统防损以事后追溯为主，丢损发生后再翻查录像；AI 全场景防损系统将管控前移为事前预警，通过对交易、库存与设备行为的实时建模，在异常发生前触发干预。底层依赖可观测性（Observability）体系对采纳率、有货率、动销率、周转天数做端到端追踪，并以灰度发布（Gray Release）在小范围门店验证新策略后再全量切流，保证规模化复制的稳定性。

规模复制底座：一套智能体，多租户复用

跨客户快速落地，靠的不是为每个门店重写逻辑，而是多租户隔离（Multi-tenant Isolation）与配置化业务域（Configurable Business Domain）的设计。补货的库存阈值、定价的毛利围栏、营销的合规边界被抽象为业务规则引擎（Business Rule Engine），配合 Standards-as-Code 把零售实践沉淀为可版本化、可审计的标准资产。新客户接入时，多数能力以"配置而非定制"的方式启用，这正是胖东来、奥乐齐、DFI、新百连超能在不同规则下快速跑通同一套智能体的原因。同时，跨客户的匿名化联邦学习让后的调度与需求模式反哺通用模型，新接入客户的冷启动因此更快，规模效应与模型能力形成正向循环。

经营逻辑：一线采纳率才是试金石

多点数智董事长张文中曾强调，AI 不是工具的升级，而是经营逻辑的重构，检验零售 AI 转型成败的标准，在于一线员工是否主动接纳。这一判断与数据相互印证：胖东来 90% 以上的采纳率，说明系统建议真的可执行、可信任；若店员总是手动改回，往往意味着模型尚未吃透业务规则，该调的是系统而非人。领域知识以配置方式沉淀，也让模型迭代有了清晰的反馈闭环。

落地路径：从"低创意、高数据"环节切入

对于希望借鉴经验的中小商户，工程的起点并非一步到位上全套系统，而是先挑"低创意、高数据"的环节下手。补货、排班、防损这类任务数据密集、规则可循、创意含量低，AI 见效快、一线抵触小，是性价比的切口；创意与战略决策仍应保留人工主导。

更务实的做法是从收银数据驱动的进销存分析、销量预测小工具起步：以门店历史销售、节假日与促销日历为特征，用时序预测模型输出分位数需求，先把"数据替代拍脑袋"的红利吃透。这类小工具的技术链路并不复杂——清洗收银小票与库存流水，构造销量时序与促销、天气特征，用梯度提升或时序模型训练分位数预测，再以前端看板呈现补货建议，核心是把数据管道先打通，模型反而是第二步。多点数智自身 2026 年中期营收约 11.54 亿元、同比增长 7.1%，是长期重投入跑出来的成绩；中小商户不必追求同等体量，沿着同一原则渐进迭代，同样能把经营决策从经验驱动切换到数据驱动。

数据先于经验：零售AI的叙事迁移

零售 AI 的叙事已经从"发布会"转到"报表"。采纳率、有货率、挽回损失，这些全是经营指标而非技术术语。大企业用大系统，小商户用小工具，路径不同，原则相同——让数据先于经验做决定。当每一次补货采纳、每一次履约交付都回流为模型训练样本，数据飞轮（Data Flywheel）便会持续转动，使预测更准、排程更优，最终把 AI 从提效工具升级为零售经营的生产力。