夜雨聆风去年底有个客户找到我，说他们花了大半年时间，一口气上了五个AI系统：选品AI、客服AI、补货AI、营销AI、BI分析平台。来自四家不同的供应商。
我问效果怎么样。他苦笑了一下，说："每个单看都挺好，放在一起就是灾难。"
这家企业有400多家门店，年营收20亿出头。在区域零售里算体量不小的。IT团队七个人，光是把ERP数据分别灌进五个系统，每周就要花两天。不是在用AI，是在给AI打工。
采购清单越长，数据孤岛越深
我去看了一圈他们的系统，问题很典型。
选品AI要求导出一份"标准商品数据"，格式是A供应商定的。补货AI也要求一份"标准数据"，格式是B供应商定的。营销AI又要一份，格式是C供应商定的。五份"标准"，五套格式。
同一个SKU，在选品系统里叫"SKU-A001"，在补货系统里叫"WF-A1"，在营销系统里叫"MINI-001"。每次新品上架，IT要在五个系统里各录一遍，换个名字再录一遍。时间一长，谁也搞不清哪个名字对应哪个商品了。
更有意思的是模型打架。补货AI根据历史销量和季节趋势，建议备5000件某款防晒衣。营销AI根据促销日历，判断这个品这周不推。结果就是仓库堆了一批货，营销端没动，卖不出去。
出了问题找谁？五个供应商互相甩锅。选品的说"我们给的数据是对的"，补货的说"营销没推怪我咯"，营销的说"补货备多了关我什么事"。IT夹在中间，自己排查。
这种状态我见过太多次了。企业以为买工具就是建能力，买得越多能力越强。实际上每多买一个工具，就多一套数据管道、多一套编码规则、多一个供应商要协调。工具在增加，数据却在碎片化。
"缝合怪"的三个死穴
我给这种模式起了个名字，叫"缝合怪"。买一个补一个，缝缝补补凑出来一套AI体系。看着什么都有了，实际上有三个致命伤。
第一个是数据割裂。五个系统五个名字，同一个商品在五个地方长得不一样。你说要做个跨品类的关联分析，数据都凑不齐。更别提实时性了，线上订单是实时的，线下门店T+1才出数据，等数据攒齐了，黄花菜都凉了。
第二个是模型打架。每个AI工具都从自己的角度给出最优解，但局部最优不等于全局最优。补货要备货，营销要清仓，财务要控毛利。五个工具五个方向，企业被拉扯得不知道该听谁的。
第三个是运维黑洞。五个供应商五份合同、五套监控、五个运维流程。出了故障，先要判断是哪家的系统出了问题，然后找对应的运维对接人，走流程。等服务商的人到现场，损失早就产生了。
客户A后来算了一笔账：五个AI工具的年费加起来180万，但数据治理和运维的隐性成本，每年至少又是120万。也就是说，真正花了300万，但只有180万能写在预算表上。
Palantir为什么坚持做平台而不是卖工具
说到平台化，Palantir是一个绕不开的参照。
Palantir内部有个理念，把买便宜的标准化SaaS叫"beta"，便宜但形成不了竞争壁垒。围绕企业自身差异化建定制平台叫"alpha"，前期贵但边际成本递减。Palantir的Foundry加AIP组合，本质上就是帮企业建一个"AI操作系统"，所有数据和智能体在上面跑。
你可能觉得Palantir离中国零售太远。但它的逻辑是通用的：企业需要的不是一堆工具，是一个平台把数据底座、模型管理、行动接口全部拉通。
Palantir的核心架构叫Ontology，翻译过来是"本体论"。说白了就是把企业的业务世界用一套统一的语义描述出来。客户、商品、门店、订单、供应链这些核心实体，以及它们之间的关系，全部在一个平台上定义清楚。所有AI模型、所有工作流、所有应用，都基于这套统一的语义来运行。
Palantir 2025年Q2美国商业收入同比增长93%，企业版年费在500万到2000万美元之间。这个价格不便宜，但客户续约率极高。为什么？因为一旦企业的业务逻辑跑在平台上，核心数据、行业模型、决策规则全部沉淀下来了，迁移成本远超续费成本。
这说明什么？平台化的前期投入大，但长期来看，每新增一个用例的边际成本在递减。第一个用例可能亏钱，第十个用例的边际成本趋近于零。
中国零售已经有人跑通了这条路
丰e足食是顺丰孵化的无人零售运营商，在全国有18万台智能柜，覆盖70多个城市。
2026年3月，丰e足食CTO蔡亮在第四届中国无人零售产业大会上公开了名为"星途智航"的AI零售智能体。这个智能体每天基于18万个货架、上亿个SKU组合，做出上亿次运营决策。需要人工干预的次数只有4000次左右。
但最值得注意的不是这些数字，是丰e足食的演进路径。
丰e足食不是一开始就有一个统一智能体的。他们早期也有多个独立运营的系统：补货用一个，选品用一个，调度用一个。系统之间数据不通，决策打架，跟客户A遇到的问题一模一样。
后来他们花了两三年时间，把这些系统整合到"星途智航"这一个智能体下面。"星途智航"下设四个子智能体：丰域智航管市场拓展，丰聆智航管商品运营，丰策智航管供应链调度，丰行智航管履约执行。四个子智能体共享同一套数据底座，统一调度、决策协同。
丰e足食投入了2.5亿研发，其中很大比例花在数据工程和平台整合上。花的钱没用来买工具，用来建平台了。
结果是什么？一个补货员2022年能管理60到70个货架，2025年已经能管理120个。人员数量还略微减少了。运营成本随规模增长持续下降，而不是线性上升。
这就是从"买工具"到"建平台"的真实路径。
平台化的三个关键决策
看完这些案例，回到一个问题：零售企业到底该怎么建AI平台？
我认为有三个关键决策。
第一，统一数据底座。所有AI能力共用一套数据管道和语义层。不管你用哪个模型，数据来源只有一个版本的事实。客户A后来做的第一件事，就是把五个系统的数据映射全部统一，建了一个统一的SKU编码体系。这件事花了三个月，但做完之后，数据搬运的工作量减少了70%。
第二，统一模型管理。不同场景的模型可以在同一个平台上训练、部署、监控。补货模型、选品模型、客服模型各自独立运行，但在同一个平台上管理。模型之间如果出现冲突，平台层可以做裁决。不是各自为政，是在同一个框架下协作。
第三，统一行动接口。AI的输出能直接触发业务操作，不是停在一张报表上。补货AI说"该补500件"，系统直接生成补货单推到审批流，而不是靠人去看到报表再手动下单。
这三个"统一"，就是平台思维和工具采购思维的根本区别。买工具是解决问题，建平台是构建能力。解决问题是一次性的，构建能力是可以复利的。
Palantir的实践和丰e足食的路径，从不同方向佐证了同一件事：企业AI能力的上限，不取决于你买了多少工具，取决于你的平台有多扎实。
如果你还在纠结下一个AI工具该买哪家，也许该换个问题：你的平台建好了没有。
