当下，AI正从试点验证迈向规模化落地，而组织的适配能力捷希源，已成为决定成败的“最后一公里”。虎嗅智库AI落地研学营的第四站，决定直面这一核心命题。
AI落地研学营，这场贯穿全年的系列研学活动，始终见证着AI与产业融合的每一次关键跃迁。6月，我们走进飞书与智谱总部，探讨AI Agent的技术发展，7月深入云商与交个朋友直播间，拆解营销服一体化的可能路径，9月则在柠季门店与叮咚买菜前置仓中，寻找供应链的柔性与智能解法。从技术工具的演进到业务场景落地，再到企业核心环节的革新，我们不断走向AI落地产业的更深处。
而作为2025年的收官之站，第四期研学营选择直面AI落地最棘手、也最根本的问题—组织和人。
当AI从工具变成基础设施，它不仅是在优化流程，更是在挑战原有的权力结构、人才定义和管理半径。
近日，AI落地研学营第四期走进了已基本完成AI化改造的物美学清路店，并邀请了多点数智、海底捞、的一线操盘手，与来自餐饮、制造、家居、财税等行业的数十位决策者，试图回答一个问题：适配AI生产力的组织和文化，到底应该长什么样？
有限货架下，AI如何破局实体零售
当日上午在物美学清路店的参访，让大家对AI对零售门店的赋能有了具象的体感。
这家门店通过AI销量预测与智能订货，不仅实现生鲜日清日结，更在SKU减少3000个的情况下，销售额增长3倍。更在自助收银区，用AI摄像头实时监测漏扫与异常行为，大幅降低人工巡检压力，并将收银损耗率降低70%以上。
这些成效背后，离不开多点数智提供的系统性AI能力支撑。多点数智AI专家宋楠在随后的分享中道出关键点：实体零售的核心矛盾，是“有限货架”与“无限个性化需求”之间的效率博弈。电商可以无限上架、快速汰换，而线下门店的物理货架必须承载最高效的选品与流转。
为此捷希源，多点数智不断探索用数字化及AI帮助实体零售提效。宋楠将多点数智的AI探索分为四个阶段，从“最初迷茫期”，尝试RAG、ChatBI，到模仿跟随期对CV巡检、防损场景的探索，再到真正创造可量化价值的行业落地期，先后攻克AI补货、AI动态出清、AI鲜算等核心业务痛点。
以动态出清为例，传统打折依赖人工经验，往往一刀切。
多点数智通过数据驱动+流程重构，将复杂的打折决策拆解到单店单品的精细化操作维度，让AI模型学习不同商品的销售特性与损耗规律，最终实现差异化定价，有的商品打五折，有的打八折，有的甚至不打折也能售罄，仅此一项，就为物美单店带来日利润数千元的提升。
当下进入深度探索期，多点数智的AI探索开始介入零售最核心的选品环节。宋楠举了一个生动的例子，有一段时间，物美门店发现烤箱锡纸销量走俏，按照过往经验，采购人员可能就习惯性加大采购。但AI通过关联分析与人群画像发现，学清路店周边的核心客群是对价格敏感、追求潮流品质但又喜欢懒人做饭的学生群体。锡纸消耗大，是因为他们喜欢买半成品到店快速加工。因此，AI给出的建议不是卖锡纸，而是转向“懒人厨房”场景，建议上线更多场景关联商品比如快手菜等。
这不仅是商品的替换，更是从“销售单品”到“满足场景需求”的思维转换。AI的选品逻辑，在于将畅销品转化为场景入口，进而分析并满足其背后的人群特征与潜在需求。
然而，实现AI在具体业务场景落地的最大挑战，并非技术本身，而在于知识的提炼。宋楠坦言，很多业务专家是能说不能写，经验很难结构化。由于实体超市每天都会产生巨量数据，但二十年经验的老采购人员，其隐性知识很难被直接提取。如何将散落于个人头脑中的经验，转化为可被AI复用的结构化知识体系，是比训练模型更重要的组织功课。
对此，宋楠的经验是，行业知识必须拆到极小颗粒度，AI产品上线只是完成50%，后面是持续的业务打磨，企业必须构建将经验抽炼为知识的机制和能力。
猎聘眼中的未来组织：大平台+小团队
当先进生产力和生产关系都已就位，组织变革的最后一环落在了人身上。猎聘AI技术负责人莫瑜从人才数据的角度，揭示了AI对组织形态的深层重构。
莫瑜指出，劳动力市场正在出现明显的两极分化，初级、职能类岗位如电话销售、初级美工需求大幅下降捷希源，而掌握AI技能的超级个体和复合型人才需求激增。数据表明，越来越多的企业正在通过AI缩小组织规模，更多超级个体户正在诞生。
为了适应这一趋势，莫瑜建议企业的组织架构应向“大平台+小团队”转型，大平台集中沉淀通用的AI能力、基础设施和数据资产，小团队汇聚少数精兵强将，以特战队形式，利用AI工具，以场景为中心，响应业务需求，快速实现迭代闭环。
同时，企业也需要重新思考人才策略，可以侧重内部培养既懂业务又善用AI的复合型员工，外部引入的人才也需兼具“行业经验与AI能力”。
这一理念也正被猎聘应用于自身的产品革新中。当下，针对传统招聘流程中“海量筛选、重复沟通”的痛点，猎聘推出招聘Agent、AI面试官Doris等产品，将简历初筛、意向确认等繁琐复杂环节交给AI完成，让HR能更专注于最终的情感连接与价值观判断。这不仅降低了招聘成本，更将“招聘”工作从体力活变成了技术活。
落地最大阻力，往往不在技术而在人心
在最后的圆桌环节，来自合思、深象智能、曲美智家等企业的实战派嘉宾，就AI落地的真实痛点展开了激烈探讨，共识逐渐清晰，阻碍往往不在技术本身，而藏在基础设施、行业知识与组织惯性之中。
首先，是基础设施与数据。深象智能首席科学家王炎坦言，线下部署常卡在客户自身的基础设施上。“我们去部署AI巡检，有时得先帮客户换交换机、找密码，光搞基建就花一个月。”此外，业务数据的标注与定义也极为复杂，例如区分“小孩摔倒”与“小孩打闹”这类相似场景，就需要大量人工归纳，这让AI在具体场景的落地充满挑战。
更深层次的难点，在于行业知识沉淀与机构化。曲美智家合伙人张鹏对此深有感触，家居行业存在大量非结构化的设计图纸、场景描述与客户需求，这些行业知识数据难以直接喂养给模型，构建专属知识体系成为难题。
对此，多点AI产品负责人陈品竹给出解题思路，在他看来，每个垂直行业都面临构建专属知识体系的难题，真正的关键在于前置判断：行业的隐性知识能否被抽取？如何设计有效的样本进行训练？这比选择何种技术模型更为根本。
最后，技术变革最大的阻力还是来自人。财务收支管理平台合思创始人兼CEO马春荃犀利地指出，AI技术和产品落地中最大的反动力量有时会来自技术团队自身。因为程序员习惯了堆砌代码和固有流程，而AI能够直接生成结果，这让他们感到威胁或不信任。AI时代，技术人员的工作方式彻底变了，“过去是拿铁锹堆屎山，现在是拿挖掘机推Bug。”
如何帮助团队突破这种惯性，马春荃建议采取一把手工程+特区模式，首先是一把手要大力推进AI在企业中的落地，在此基础上，把一小群懂业务、有创新意愿的人员从原有KPI中释放出来，封闭攻坚，专注用AI解决业务真问题。一旦这群人跑通了核心场景，获得可验证的业务成果，也就能迅速点燃整个组织应用AI的信心与热情。
结语
这些来自业务一线的探索与碰撞，最终指向一个清晰的共识：AI落地的本质不是技术引进，而是组织进化。
对管理者而言，需要从管理具体动作转向引领业务目标，并敢于重塑利益分配机制；对员工而言，未来不再有单纯的执行者，每个人都将是AI训练师和超级个体；对企业而言，适配AI的组织必须具备数据反哺的闭环能力，从而将隐性经验显性化，将个人能力组织化。
正如海底捞AI专家杨家瑞在分享最后所说：AI是提升运营效率的有力助手，我们也必将感激今天为提升AI效率所付出的努力，技术的进化日新月异，但唯有与之匹配的组织与文化，才能将潜能转化为真正的生产力。
在AI新时代，这场关于组织与文化的深层变革，其实才刚刚开始。明年，虎嗅AI落地研学营仍将秉持“在现场”的初衷，持续走进那些将AI真正融入业务血脉的企业，探访最新鲜的AI案例实践，捕捉最真实的AI行业洞察，沉淀可落地执行的AI落地方法论。
添加智库小虎，了解更多详情
2026年，我们期待与你同行，一起继续在参访、推演、碰撞中，找到独属于你的AI落地路线图！
本文来自虎嗅，原文链接：https://www.huxiu.com/article/4816776.html?f=wyxwapp
汇盈策略提示：文章来自网络，不代表本站观点。
