ARTICLE · 1306092

喜力如何让AI进入经营决策:从业务信号到谨慎扩张

发布时间：2026-11-04 11:29:34 最近访问：2026-11-04 11:29:35

一款产品频繁缺货时，企业需要尽早发现异常，并决定是否加快配送。喜力美国CIO兼数字与技术高级副总裁Frank Iannella用这个场景解释公司的AI路径：找到能够改变的经营问题，明确业务可以采取的动作，再把相关能力写进交易系统。生成式AI热潮已持续数年，喜力要解决的仍是一个朴素的问题——洞察如何变成行动。

图：AI 生成示意图

从缺货信号到行动，把AI嵌入经营闭环

据CIO Dive报道，在AI尚未普遍进入企业时，喜力就已着手把数据转化为决策；在将生成式AI加入这项工作之前，团队已经在重新思考如何把数据与洞察转化为行动。Iannella把这套方法归纳为一条闭环：识别信号，找到行动杠杆，将能力嵌入业务系统，随后观察结果、持续调整。

缺货案例清楚地呈现了这套框架。某一产品经常售罄，是可以监测的信号；加快配送，是企业可能采取的一种行动。过去，这类工作主要依靠人工完成。引入AI后，团队得以更快地捕捉信号、识别行动杠杆并推动行动，而非只提供洞察。

为了让发现转化为实际行动，团队将相关能力“写进交易系统”。识别信号和行动杠杆的能力由此进入业务流程，使分析结果可以进一步推动行动。随后还要继续验证：自动化信号和杠杆，是否减少了缺货？团队会据此继续调整相关机制，直到看到改善。Iannella称，团队用了两年多时间，结合新的AI技术栈摸索这套机制，并将其视为“决策智能”的基础模块。

雪城大学信息学院整理的Iannella访谈，也印证了这种问题导向。喜力采用生成式AI时，没有从追逐新技术入手，而是先判断业务问题在哪里、AI能否带来有意义的改善。早期的内部聊天机器人实验后来扩展到供应链、库存管理、营销、法务和人力资源等领域。

从“干净数据”进一步走向“决策就绪数据”

多数CIO已经了解干净数据对AI的重要性，喜力则进一步提出了“决策就绪数据”：数据是否合格，应由具体用例反向定义。若目标是防止缺货，相关数据是否足够及时？能否与订单、配送等行动杠杆连接？质量是否足以支持实际操作？这些问题直接对应AI所要支持的具体经营行动。

这也解释了喜力为什么在技术栈中强调本体层。按照Iannella的说法，本体层是一种结构化、机器可读的模型，为AI系统提供连接点，并为具体用例补充更多上下文。Iannella表示，如果希望AI作出正确决策，本体层需要投入大量工作，许多设置也在这里完成配置。

在这套体系里，团队关注的是数据能否服务于具体决策：识别信号所需的数据是否足够新，能否连接订单、配送等行动杠杆，以及数据质量是否足以支持行动。随后，团队还会评估自动化信号和杠杆是否减少缺货，并据此调整。数据足够准确、具体和及时，并能与业务结果关联，企业就可以开始衡量AI回报。

Iannella将数据能否与业务结果关联，视为开始衡量ROI的重要条件。在缺货案例中，这意味着不仅要考察系统能否识别信号并连接相应行动，还要评估自动化之后缺货情况是否得到改善。

根据场景风险设置治理边界

随着AI进入更多岗位，喜力开始面对能力普及与风险控制之间的拉扯。公司向员工推出微软Copilot，并建立用户社区，让不同职能分享各自的使用方式。Iannella的目标是以受引导的方式，让最接近实际工作的人使用AI。

这种“民主化”不等于所有场景采用同一套治理强度。部分功能可以自由试验；一旦涉及敏感数据、对外事项、自动化决策或客户影响，流程就需要更加谨慎，并在一些环节保留人工验证。喜力的判断是，AI可以大规模提供建议和行动，但信任仍要逐步积累，一些关键环节还不能移除人。

ITPro对Forrester和ISG分析师的采访，为这种谨慎提供了行业参照。ISG对1200个AI用例的研究显示，约三分之一进入生产，另有三分之二仍停留在生产之外。受访分析师指出，如果直到项目后期才补做治理，可能额外增加数月工作。Forrester分析师建议在试点阶段设置、测试和调整控制措施，并根据用例风险匹配不同强度的治理，以降低后续规模化时返工的可能。

仅依赖人工检查和人工流程的治理也可能成为瓶颈。ISG研究称，90%的AI赋能工作仍有人参与，形式包括AI提供协助，或由人类复核和批准输出；预计到2027年末，AI赋能工作中完全自主运行的比例也只有13%。这类行业研究主张按照风险配置人工监督，把复核集中在高风险用例，并为不同场景设置相称的控制措施。喜力已披露的做法是允许部分功能自由试验，同时对敏感数据、对外事项、自动化决策和客户影响场景保持谨慎，并在部分环节保留人工验证。

喜力已经把早期内部聊天机器人实验扩展至供应链、库存管理、营销、法务和人力资源等领域。在推进这些应用的同时，公司强调从具体业务问题出发，以与用例对齐的数据支持行动，并根据场景设置试验、谨慎处理和人工验证的边界。