当消费者开始向 AI 描述问题,消费品企业怎样转型为AI原型企业?——拆解 Target、资生堂 B-TAB、Lowe's Mylow 与 Shopify MCP

上一篇，我们讨论了第三代消费入口正在形成：

消费者不再先搜索商品，而是直接向 AI 描述问题，由 AI 帮他理解需求、比较选择并组织方案。

但这只是故事的一半。AI 能听懂消费者，不等于它懂一家消费品企业。本文通过 Target、资生堂 B-TAB、Lowe’s Mylow 和 Shopify MCP 四个案例，继续回答一个更关键的问题：消费品企业如何让自己的产品、证据、专业经验和服务能力，被外部 AI 与内部 Agent 正确理解、判断和调用？

【配图1｜四个案例拼出的企业能力链】

一、第三代消费入口，给消费品企业增加了一种新的竞争

过去，消费品企业主要面对两代消费入口。

第一代是“人找货”。

消费者先形成购买意图，再去百货商场、屈臣氏、品牌专柜、天猫或京东搜索商品。企业竞争的是渠道位置、品牌心智、搜索排名和货架陈列。

第二代是“货找人”。

消费者刷抖音、小红书、快手、直播或信息流，平台根据内容和算法，把可能感兴趣的商品推给他。企业竞争的是内容生产、算法分发、种草效率和转化能力。

第三代消费入口则开始从“寻找商品”变成“描述问题”。

消费者可能直接告诉 AI：

“给敏感肌的妈妈买一套护肤礼物，预算1000元，后天必须送到，最好附近有门店可以试用。”

消费者不再需要先学习企业的品类语言，也不必记住商品名。他只需要说清楚自己的状态、目标和限制。

AI 接下来要完成的，不只是搜索商品，而是理解问题、继续追问、比较候选、说明理由，并把方案推进到购买与服务。

这意味着，消费品企业增加了一种新的竞争：

过去要让消费者看见品牌。

后来要让算法愿意分发品牌内容。

现在还要让 AI 能够正确理解企业、选择企业，并在必要时调用企业的商品和服务。

但问题也随之出现。

AI 虽然能够理解“敏感肌妈妈”“预算1000元”“后天送到”，却不会天然知道：

哪些产品真正适合敏感肌；推荐依据来自哪里；哪些功效有充分证据；单品之间能不能搭配；正确的使用顺序是什么；当前价格和库存是多少；哪家门店可以试用；后天是否能够送达；哪些情况不应该继续推荐，而要转给人工。

消费者看到的可能只是一句回答，但要让这句回答可靠，企业背后至少要提供四类能力：

第一，可信的产品与服务知识。

第二，产品、需求、场景与证据之间的关系。

第三，可以遵循的专业判断和责任边界。

第四，可以实时查询和执行的商品、渠道、交易与服务系统。

上一篇回答的是“AI 如何理解消费者”。

这一篇要回答的是：消费品企业怎样才能被 AI 正确理解和调用？

【配图2｜消费者只看到一次对话，背后需要四层企业能力】

二、外部 AI 负责理解问题，企业负责让答案进入现实

Target 的实践，让这种分工变得非常直观。

2026年6月，Target 公布其购物体验已经进入 Google Search 的 AI Mode、Gemini、Microsoft Copilot 和 ChatGPT。

消费者可以在对话中表达购买目标、浏览候选商品、连接 Target 账户并使用会员权益；在不同入口中，还可以建立购物车、选择配送或到店取货并完成购买。

这里真正值得注意的，不是“Target 上了 ChatGPT”，而是一次消费任务被重新分工了。

外部 AI 负责：

理解消费者的自然语言；追问预算、对象、场景和限制；把模糊问题拆解成可以处理的任务；比较候选商品并组织对话。

企业负责：

提供真实、最新的商品事实；说明产品适用范围和证据边界；返回价格、库存、会员、门店与履约状态；承接购物车、交易、售后和服务责任。

人仍然负责：

确认高价值或不可逆的动作；处理健康、安全和异常情况；对专业判断、合规表达和服务结果负责。所以，第三代入口不是“AI 平台替企业卖货”，也不只是“平台负责流量，企业负责供货”。

更准确的理解是：

AI 可以代表消费者发起任务；企业必须让自己的事实、判断和服务能力，以可信、实时、可控的方式进入任务。

这也解释了一个常见误区：企业进入 AI，不只是做 GEO。

GEO 可以增加品牌被发现、被引用的机会，但外部 AI 发现了一篇网页，不等于它知道哪份信息仍然有效，更不等于它能查询库存、应用会员权益、完成预约或处理退货。

被发现，只是进入第三代消费入口的第一步。

被正确理解、被合理选择、被安全调用，才是企业接下来真正要建设的能力。

【配图3｜消费者、AI入口、企业能力与业务系统的责任分工】

三、第一层：把分散资料变成企业可以负责的可信知识

消费品企业通常不缺内容。

真正的问题是，同一款产品的信息可能分散在：

产品手册；研发和测试报告；功效证据；商品详情页；培训材料；直播话术；客服问答；渠道政策；服务SOP；一线员工经验。

这些内容看起来都在讲同一款产品，但用途、版本和可信程度并不相同。

研发报告使用专业语言。营销文案为了传播，会压缩或重新组织事实。

培训材料包含大量实际操作经验。客服话术会随着政策和问题不断更新。

如果把所有文件直接放进一个知识库，系统可能同时检索出三种相互冲突的表达，却不知道：

哪一份是最新版本？哪一句可以对外公开？哪一项结论有正式证据？哪一种说法只适用于特定渠道？

所以，建设企业知识库真正困难的部分，不是上传文件，而是让每条知识都带有治理信息：

这句话来自哪里；

原始证据是什么；谁对它负责；当前使用的是哪个版本；什么时候失效；可以对谁说；可以在哪个渠道说；可以表达至什么程度；出现冲突时以哪份内容为准；什么情况下必须转给人工复核。

以护肤产品为例，一款产品不能只有名字和卖点，还需要明确：

核心成分是什么；主要解决什么问题；有哪些功效证据；适合什么肤质与肌肤状态；不适合哪些情况；在护理流程中处于什么位置；可以和哪些产品搭配；应该如何使用；使用多少、多久和多频繁；哪些表达可以讲，哪些表达不能讲。

食品饮料企业同样需要整理原料、营养、过敏原、特殊人群、食用场景和健康表达。

家电企业则需要整理型号、空间、安装条件、产品兼容性、能耗、服务区域和保修政策。

资生堂 B-TAB：知识只有进入工作现场，才真正成为企业能力

2025年7月，资生堂日本把生成式 AI 聊天机器人正式导入美容顾问使用的 Beauty Tablet，也就是 B-TAB。

店员可以使用自然语言查询产品、品牌与促销信息；当他们找不到内部规则、政策或活动资料时，也可以直接向系统提问。

资生堂希望借此减少重复询问，让美容顾问把更多时间留给顾客服务。

这个案例的价值，不只是“美容顾问也有了聊天机器人”，而是三个具体的设计选择。

第一，它没有要求一线员工离开原来的工作终端。

第二，它连接的是企业受控资料，而不是让员工依赖公开网页和模型记忆。

第三，它服务的是具体工作时刻：查产品、查活动、查规则、减少内部询问。

但这个案例的边界同样要说清楚。

资生堂公开资料主要证明了知识检索和一线赋能，并没有证明 B-TAB 已经连接 CRM、库存、交易、预约和售后。

这恰好说明：

可信知识解决的是“企业有什么、依据是什么”。

它是 AI 理解企业的第一层，但不是完整答案。

四、第二层：把产品、需求、场景和证据之间的关系讲清楚

即使 AI 找到了正确说明书，它仍然可能给不出正确方案。

因为消费者不会按照企业内部的 SKU 目录提问。

消费者更可能这样描述：

“最近换季脸干、容易泛红，白天上妆还会卡粉，但我已经有一瓶精华，不想把步骤变得太复杂。”

AI 面对的不是“查找某款面霜说明”，而是需要理解一组关系：

消费者状态，连接护理目标。护理目标，连接成分和功效。成分和功效，连接适合的产品。产品之间，连接组合关系和使用顺序。产品方案，连接注意事项、门店体验和后续服务。

只依靠关键词相似度，系统可能找到很多同时出现“干燥”“泛红”“修护”的资料，却无法解释：

干燥和敏感是不是同一件事；为什么保留这款产品，而排除另一款；两款产品能不能搭配；先用什么、后用什么；什么情况下应该停止推荐；

为什么这个组合比另一个组合更适合。

这就是本体、知识图谱或语义关系真正有价值的地方。

企业不需要先学习这些抽象术语，只需要回答一个具体问题：

企业业务中的人、问题、产品、成分、证据、场景和服务分别是什么？它们之间是怎样连接的？

Lowe’s Mylow：消费者问的是“怎样完成项目”，不是“商品在哪里”

Lowe’s 的家装场景把这一点表现得更明显。

2025年，Lowe’s 把 Mylow Companion 部署给1700多家门店的一线员工。

员工可以在销售现场设备上，用自然语言或语音提问，获得产品详情、项目建议和库存信息。

Lowe’s 官方给出的示例不是“某款肥料价格多少”，而是：

“什么肥料适合百慕大草？”

“怎样修理漏水的水龙头？”

如果只建设产品知识库，AI 可以找到一份肥料说明，却仍然回答不了完整问题。

它还需要理解：

草种与生长状态；当地气候和季节；消费者的项目目标；所需材料和工具；产品之间的兼容关系；安全条件；施工步骤；本地门店库存。

换到护肤行业，就是：

肌肤状态，连接护理目标。护理目标，连接成分和功效。成分和功效，连接适合的产品。单品连接产品组合和使用顺序。

产品方案再连接注意事项和后续服务。

AI 之所以能够解释“为什么适合”，不是因为它看过更多文字，而是因为企业把关系组织清楚了。

【配图4｜从消费者问题到产品方案的对象关系图】

五、第三层：把专家经验变成 AI 可以遵循的判断逻辑

有知识、有关系，仍然不等于能够作出可靠判断。

优秀的美容顾问、研发人员、产品经理和客服人员，在真实工作中会不断作出决定：

什么时候可以直接回答；什么时候需要继续追问；什么时候推荐一个单品；什么时候需要组织完整方案；什么时候不能继续自动推荐；什么时候必须交给人工或专业机构。

这些经验如果只存在于少数专家脑中，AI 即使找到了资料，也不会自动获得判断能力。

因此，企业还需要把关键经验组织成可以遵循、可以检查的规则和流程。

第一步是问题识别。

系统要先识别消费者的目标、状态、预算、限制和风险信号。

第二步是必要追问。

信息不足时，AI 要知道还缺少哪些信息，而不是立刻给出一个看似完整的答案。

第三步是候选筛选。

系统要知道哪些条件必须满足，哪些只是消费者的偏好。

第四步是证据检查。

每个推荐结论是否超出了产品事实和功效证据？

第五步是冲突处理。

不同资料或规则出现冲突时，以谁为准？是否需要人工复核？

第六步是责任边界。

哪些结论可以自动给出？哪些必须由人工确认？

第七步是过程留痕。

答案引用了哪些材料、调用了哪些系统、由谁确认，都需要被记录。

在护肤场景中，“干燥”不自动等于“敏感”。

当消费者描述明显异常或疾病风险时，系统不应该继续推荐产品，而应该建议就医或转给专业人员。

在食品饮料场景中，过敏原、特殊人群和健康宣称，需要更加严格的判断规则。

在家电场景中，电路、空间、安装和安全条件，可能决定系统只能做初步筛选，不能替代现场勘查。

这层能力可以被理解为：

知识告诉 AI“企业有什么”。

关系告诉 AI“这些内容怎样连接”。

专业判断告诉 AI“面对什么情况，应该怎样使用这些知识和关系”。

它也解释了为什么换一个更强的大模型，常常解决不了企业问题。

模型更会说，不代表它天然知道企业采用哪套规则、接受多大风险，以及在什么节点必须停下来。

六、第四层：把建议连接到商品、渠道、交易和服务

前三层可以形成一段有依据的建议，但仍然没有把事情做完。

消费者接下来还会问：

现在多少钱；附近哪家门店有货；能否使用会员权益；是否可以预约体验；后天能不能送到；购买后怎样使用；出现问题如何退换或咨询。这些信息不能静态复制进知识库。价格、库存、会员、门店、订单和服务状态会持续变化，只能在任务发生时查询真实业务系统。

这一层可能连接：

商品主数据和产品信息；价格、促销和实时库存；会员账户和会员权益；商城、购物车和交易系统；门店位置、服务项目和预约系统；CRM、客服和企业微信；订单、配送、退换和售后。

Shopify MCP：知识回答“怎样说”，工具接口决定“能做什么”

Shopify Storefront MCP 已经把部分能力做成结构化工具。

AI 助手可以连接店铺的实时商品目录、购物车和政策。

Customer Accounts MCP 则可以支持订单查询、退货和账户信息等能力。

Shopify 官方列出的能力包括：

使用自然语言发现商品；创建和更新购物车；进入结账；查询配送和退货政策；跟踪订单；处理退货。

这并不意味着所有 Shopify 商家已经自动进入全部 AI 平台。

它证明的是一种清晰的技术机制：

AI 先理解消费者的任务。

然后选择获准使用的企业工具。

AI 带着必要参数发起查询或动作。

企业系统返回实时结果。

AI 向消费者解释结果并请求确认。

经过授权后，再继续执行后续动作。

关键不是让 AI 获得所有系统权限，而是按照身份、任务和风险开放必要动作。

查询公开门店库存，与取消已经支付的订单，不能使用同一权限。

推荐产品，与代表消费者完成支付，不能使用同一确认机制。

查询商品资料，与读取会员个人数据，不能使用同一数据范围。

自动回答普通问题，与处理投诉和健康风险，不能使用同一责任边界。

Target 展示了这种机制进入 Google、Copilot 和 ChatGPT 购物入口后的产品形态。

Shopify 则把底层的工具连接方式进一步显性化。

所以，第四层决定的不是 AI“回答得好不好”，而是 AI 能否把答案继续推进到购买、门店、预约、履约和售后。

【配图5｜建议如何通过实时系统进入购买、门店、履约与售后】

七、消费品企业进入 AI，为什么不能只做 GEO 或建设知识库？

做到这里，我们可以把几种常见建设方式的边界说清楚。

GEO 主要解决的是让品牌更容易被 AI 发现和引用。

但它解决不了内部私有知识、版本控制、实时库存、交易动作和服务责任。

企业知识库主要解决的是检索内部资料和减少找文件。

但它解决不了业务对象之间的关系、专业判断、实时系统与执行能力。

模型训练和微调可以调整表达风格，或学习某些特定模式。

但持续变化的产品事实、库存、订单和政策，并不适合全部训练进模型。

API 或 MCP 接口可以让 AI 查询状态或执行动作。

但如果缺少业务语义、权限、规则和确认机制，AI 仍然不知道应该在什么时候调用、怎样调用，以及调用到哪一步。

单点 Agent 可以快速解决一个局部问题。

但如果每个 Agent 都分别建设产品知识、业务关系、系统接口、身份权限和治理规则，企业很快会陷入重复建设和版本分裂。

误区一：把更多内容喂给模型

企业事实会更新，库存和订单会实时变化，规则有适用范围，用户数据受权限约束。

这些内容不能全部当作训练材料。

误区二：给每个平台重建一套知识

今天的入口可能是 ChatGPT。

明天可能是豆包、千问、微信、小红书或新的 AI 平台。

如果企业为每个平台分别维护一套产品事实和服务规则，很快就会出现版本分裂。

更合理的方式，是企业先形成自己的可信知识、业务关系、专业判断和工具能力，再根据不同入口的规则，开放必要范围。

误区三：有接口就等于能够调用

接口只能说明某项系统能力存在。

AI 是否可以调用，还取决于：

谁在发起请求；

为了完成什么任务；

可以读取哪些数据；

可以执行到哪一步；

是否需要消费者确认；

失败以后如何回退；

全过程如何审计。

因此，真正的难点从来不是“模型会不会说话”，而是企业能不能让模型在正确的时间，使用正确的事实，遵循正确的规则，调用正确的工具。

【配图6｜GEO、知识库、模型训练和可调用企业能力的边界】

八、企业如何判断：AI 到底是不是真的懂我？

与其争论“我们的 AI 是否足够智能”，不如检查五个具体状态。

第一，可读

关键资料是否已经被数字化和结构化？

AI 能否检索到正确资料？

每条内容是否有明确来源、版本和负责人？

第二，可理解

产品、成分、功效、需求、场景、证据与服务之间的关系，是否被组织清楚？

AI 能否解释为什么选择一款产品，而排除另一款？

第三，可判断

什么情况需要追问、筛选、排除或转给人工？

这些规则和责任边界，是否可以被系统执行和检查？

第四，可调用

价格、库存、会员、门店、购物车、订单与服务，是否能够在授权范围内实时查询和执行？

第五，可持续服务

一次回答之后，是否能够继续进入购买、履约、使用反馈、客服、复购和长期关系？

这五个状态不是要求企业一次完成的“成熟度等级”，而是对每一个真实 Agent 的验收问题。

如果消费者洞察 Agent 只能查询报告，却无法说明证据来源和数据口径，它还不够可信。

如果导购 Agent 能推荐产品，却不知道实时库存和门店服务，它还不能完成行动。

如果品牌内容 Agent 能生成文案，却不知道功效证据和渠道表达边界，它只是在放大风险。

【配图7｜让 AI 真正理解企业的五个可验证状态】

九、消费品企业应该从哪里开始？

最不建议的起点，是先购买一个“万能知识库”，或者同时建设十几个聊天机器人。

更实际的顺序，是先选择一个高价值、可以验证的业务场景。

例如：

消费者研究和需求洞察；

品牌内容生成和审核；

门店顾问与客服服务；

产品研发知识和配方检索；

面向第三方 AI 入口的品牌服务 Agent。

这个场景必须有明确的用户、输入、输出、责任人和业务结果。

然后，围绕这个 Agent 反推四层能力：

它需要哪些可信事实？

它要理解哪些业务对象和关系？

它必须遵循哪些判断和边界？

它需要查询或执行哪些业务系统？

当第二个、第三个 Agent 出现时，企业还会发现，它们正在不断重复建设：

产品、用户、渠道与服务语义；

企业知识和专业证据；

模型与任务编排；

CRM、库存、订单等系统连接；

身份、权限、评测、审计和反馈。

这些被反复建设的部分，才是企业级 AI 底座真正应该承接的内容。

我们打造的Relay AI产品的定位，不是替企业再做一个万能聊天框。

它希望帮助中等规模消费品企业，把这些共用能力沉淀下来：

上层可以生长消费者洞察、品牌内容、门店服务、研发创新等不同业务 Agent。

下层则复用同一套知识、语义、工具连接和治理机制。

与此同时，企业还可以为未来接入第三方 AI 消费入口，保留一致、可信、可控的企业服务能力。

这也是我们所说的“中台级 AI 能力”：

不是把所有业务收进一个大系统，而是让不同 Agent 不必重复理解同一家企业。

【配图8｜Relay AI 产品能力全景】

结语

上一篇，我们讨论了消费入口的外部变化：消费者正在从搜索商品、接受推荐，进一步走向描述问题、让 AI 组织方案。

这一篇，我们继续回答消费品企业应该如何承接这种变化。

答案不是把更多内容喂给模型，也不是只做 GEO、建设知识库或接入一个大模型。

企业真正需要建设的是：

让产品和服务信息有可信来源。

让产品、需求、场景与证据之间的关系清楚。

让专业经验变成 AI 可以遵循的判断逻辑。

让价格、库存、会员、门店、订单与服务能够被安全调用。

让每一次调用都有权限、确认、边界和审计。

所以，这一篇最重要的结论是：

企业进入 AI，不是把更多内容喂给模型，而是让企业事实可信、关系清楚、判断可控、服务可调用。

当这些能力逐渐建立起来，AI 的价值还会只停留在“提高员工效率”吗？

下一篇，我们继续讨论一个更重要的问题：

当 AI 开始降低理解差异、组织方案和持续服务的成本，消费品企业会不会从“销售标准产品”，进一步走向“产品＋个性适配＋持续服务”？

主要事实来源与边界

用于说明外部 AI、企业商品与会员系统、交易和履约之间的分工。Target 在不同平台上的具体能力并不完全相同。

用于说明可信企业知识如何进入一线美容顾问终端。公开资料没有证明其已经连接 CRM、库存、交易、预约与售后。

用于说明复杂消费问题需要结合产品详情、项目建议、专业经验和库存信息。本文对业务关系组织方式的描述属于机制推导，不是 Lowe’s 公开的完整技术架构。

用于说明商品、购物车、政策、账户、订单和退货能力如何以工具形式供 AI 调用。它并不意味着所有 Shopify 商家已经自动接入全部 AI 平台。

本文提出的“四层能力”，是基于上述案例与企业 AI 建设机制形成的解释框架，不宣称是上述企业共同采用或公开命名的统一架构。