公开案例 · 零售/消费品
年营收数十亿元的线下零售消费品企业
门店收银与商场结算对账
项目做法
1. 从客户多个需求里排优先级。客户当时还提过自动化客服、竞品对比等方向,FDE 的判断标准是哪个任务最快形成业务正反馈:客服要积累长数据周期才能证明商机增量,竞品分析的业务结果难在短期内验证,而对账少花多少人工、少漏多少钱都能直接算出来。 2. 把 AI 放在适合它的位置——用 OCR 加视觉识别对纸质/图像单据和相关信息进行识别比对,自动化工作流按周期定时运行,AI 完成大量重复的第一轮核对、把已能确认的结果先筛出来,人只处理真正需要判断的部分;技术本身不炫,但足够简单、成本足够低。 3. Day One 就考虑规模化——当时只落上海个位数门店,但几百上千门店在同一时间窗并发运行,对系统稳定性和出错冗余的要求完全不同。拆两阶段:第一阶段尽可能轻量,Cherry Studio 加本地电脑即可完成;第二阶段扩展到更大规模时在后端数据和冗余机制上加能力。 4. 尽量不给一线员工加负担——AI 出现在原有流程里,员工拿到的是已经过第一轮处理的结果,不需要重新学一套系统,第一时间感受到收益。
项目进展
单周期对账从一两个人天压缩到几个小时,员工只处理真差异(来源方披露口径,未经独立审计)。 超出预期的收获是 AI 把人工流程掩盖的问题暴露出来:实际数据里有的门店差异一两个百分点,有的达两三个百分点,含少收和多收,净差异落到纯利层面是非常大的数字——原来「容忍区间」内放弃追的钱,因核对成本下降被重新捡回来。目前已落地上海部分门店,仍有扩大空间。 踩过的坑(同讲述人其他项目): - 高估 AI 能力做电商横向比价,被平台风控反制、交付周期拉长 - 需求调研不深导致不断返工,返工成本表现为大量 Token 消耗 - 老板、中层、一线的目标与责任边界要提前分别对齐
