夜雨聆风一家拥有约24家门店的区域连锁超市，用一套自主采购AI系统替换了人类采购员。结果很直接：废品率降低40%，缺货率降低80%，EBITDA利润率翻倍。这家公司没有巨头级的采购议价能力，利润率也低于行业平均，但AI让它用「智能」替代了「规模」。
背景与问题
这家区域超市处在零售业的残酷地带。行业数据显示，食品杂货的营业利润率只有2%到4%。而这家公司因为规模小、采购量少，利润率仅为行业基准的一半。面对供应商，它几乎没有议价能力。
它面临三个相互关联的困局：
废品：生鲜商品在货架上过期，季节性产品订货量不准，促销品卖不出去。每一件废品都是纯利润的流失。
缺货：空货架不只是一单生意的损失。顾客会转向竞争对手，可能不再回来。
采购时机：一个人类采购员，靠直觉、供应商关系和手动整理的数据做决定。他不可能同时优化25家门店、数千种SKU的采购。
为什么之前没人解决这个问题？不是技术不存在，而是「人」的边界清晰可见。一个采购员只能凭经验做有限数量的决策。当SKU数量超过千种，门店数量超过两位数，人的认知带宽就是天花板。企业过去只能接受这个天花板，因为替代方案——雇佣更多采购员——成本太高。
方案与执行
这家公司部署的AI系统，不是辅助人类做决策的工具，而是直接替代了采购职能。系统架构包含三个组件：
数据平台：从多个系统中拉取库存、销售和供应商数据。
需求预测模型：在门店和SKU级别预测销量。
自主采购代理：决定买什么、什么时候买、从哪个供应商买。
这套方案的关键选择在于：为什么选「完全自主」而非「人机协作」？决策逻辑是，采购这件事的成功标准非常清晰——商品要么卖掉，要么过期，要么缺货。AI可以自己评估自己的表现。如果人类还要审核每一单，反而拖慢决策速度，抵消AI的优化能力。
执行过程没有分阶段上线，而是直接替换。项目负责人说：「他们用AI工具替换了人类采购员。AI告诉系统买什么。然后超市货架满满，库存优化了。」
关键细节——那些和AI无关但决定成败的动作：
流程简化：上线前，公司重新梳理了采购流程。原来人类采购员依赖的「供应商关系」「历史惯例」等模糊决策，被转化为「销量+库存+保质期」的量化规则。这一步是业务专家做的，花了大约2周。
数据清洗：多个系统的数据格式不一致，需要统一。库存数据、销售数据的对齐是基础工作，由内部IT团队完成。
高层支持：CEO直接推动这个项目。因为利润率太低，任何能改善利润的方案都会得到最高优先级。
内部知识转移：被替代的采购员没有参与AI训练。公司的做法是，用历史采购数据作为训练集，让AI学习过去的好决策。
阻力：主要来自采购员本人。公司通过将其转岗到其他业务部门解决了人员问题，没有裁员。
结果与决策
量化结果：
• 废品率降低40%
• 缺货率降低80%
• EBITDA利润率翻倍
组织变化：采购员的角色消失了。这个人被转到门店运营岗位，负责监督货架陈列和顾客服务。公司没有裁员，但岗位性质从「决策者」变成了「执行者」。
时间线：从启动到全面上线约3个月。数据平台搭建2周，模型训练4周，系统测试和上线2周。
容易忽略的关键判断：
为什么接受「不完美」的准确率？ 采购决策本身就有不确定性。人类采购员也会犯错。AI只要比人类犯的错少，就是胜利。废品率降低40%、缺货率降低80%已经是巨大改进。
为什么选这套技术方案而不是更主流的？ 公司没有选择大型零售商的定制化采购系统，而是自己构建了轻量级AI代理。原因是：定制化系统太贵，且需要大量数据工程师维护。这套方案成本低、迭代快，适合小公司的预算和能力。
为什么让采购员转岗而非参与AI训练？ 采购员的经验有价值，但公司判断，用历史数据训练AI更高效。让采购员参与训练，可能引入「直觉」和「关系」等非量化因素，反而降低AI的客观性。
可复用判断
判断一：当任务的成功标准可量化、错误可恢复时，AI可以完全替代人类决策者，而不是只做辅助工具。
解释：采购、库存管理、排班等任务，结果可以直接衡量（商品卖了还是过期了）。如果AI犯错，损失可控（报废一批商品），不会造成灾难性后果。这类任务适合「完全自主」模式。
适用条件：成功标准必须清晰且可量化。错误必须可恢复（不致命、不违法）。如果任务是「新药研发」「法官判决」等高风险场景，不适用。
判断二：小公司可以用AI替代「规模」带来的竞争优势。
解释：这家超市没有采购议价能力，但AI让它把废品和缺货降到极低水平，从而获得与巨头接近的利润。AI把「信息处理能力」变成了替代「采购量」的杠杆。
适用条件：公司处于规模劣势，但决策复杂度高（SKU多、门店多、变量多）。AI可以处理人类无法处理的复杂度。如果公司的核心优势是「品牌」或「专利」等不可替代的资产，AI替代效果有限。
判断三：AI项目成功的关键不是技术，而是「业务流程的量化重构」。
解释：这家公司先做了流程简化——把模糊的采购决策转化为量化规则。没有这一步，AI训练数据不干净，模型效果会差很多。技术只占项目成功因素的30%，业务专家的参与和流程梳理占70%。
适用条件：公司有明确的业务专家，愿意花时间梳理流程。如果公司连「当前流程是什么」都说不清楚，AI项目大概率失败。