夜雨聆风去年复盘三只松鼠供应链数字化路径的时候，有个细节让我印象很深。
三只松鼠2024年营收重回百亿，靠的是供应链的硬投入。他们花了2亿建华东、天津、简阳三大供应链集约基地，AI光谱剔除坏果、红外智能选果、"一品一链"溯源系统接入278个原料基地。
但最早做需求预测的时候，他们踩过一个很典型的坑。
预测系统看板上清清楚楚写着：某SKU下周预计断货，建议补货480件。时间戳是周三上午10点23分。然后呢？这条建议停留在看板上，没人看到，也没人执行。等到下周一，那个SKU真的断货了，门店紧急调货，运费多花了一笔。
预测准有什么用，断货一样断。
我管这种情况叫"半截子AI"。
"半截子AI"有多普遍
三只松鼠的早期问题不是个例。我接触过的零售企业里，大概七八成都卡在同一个地方：AI能给出建议，但建议到执行之间有一道鸿沟。
模型告诉你"该补货了"，然后需要人去看到这条建议，人去判断要不要听，人去填补货单，人去走审批流程，人去通知供应商。这中间每一步都是人工，每一步都有延迟。运气好的，半天能走完。运气不好的，建议在某个人的未读消息里躺三天。
根子上的问题是架构设计。AI系统和业务系统是割裂的。AI住在数据科学家的笔记本里，业务住在ERP和WMS里，两者之间没有一条自动化的通路。AI给建议是一回事，建议能不能变成行动是另一回事。
Palantir的首席架构师Akshay Krishnaswamy今年1月在一个对话里讲了一个框架，用来理解这个问题特别合适。他说任何一个决策过程都可以拆成三个基本要素。
第一个是数据。你做决策时参考什么信息？库存水位、销售趋势、供应商交期、天气预报，这些都是数据。
第二个是逻辑。你根据这些信息，用什么判断原则来评估可能的行动方案？有些是写进SOP的标准流程，有些是你多年积累的经验直觉。
第三个是行动。你最终做了什么？调一个参数、批准一个申请、发一个通知、启动一个应急流程。
Krishnaswamy说，大部分AI部署只切了其中一小块。聊天机器人能帮你查数据，但它不理解你的判断逻辑，也没办法帮你执行行动。它跟你的工作流是脱节的。
三只松鼠早期的预测模型做了"数据"和"逻辑"两部分，但"行动"那一环断了。
闭环到底长什么样
Palantir的做法是把这三个要素放到同一个平面里，他们管这个叫"本体论"（Ontology）。数据、逻辑、行动都在一个统一的决策平面上运作，AI和人看同样的数据、遵循同样的逻辑、执行同样的行动。
听起来抽象，我拿零售场景翻译一下。
假设系统检测到某SKU库存低于安全线。数据层面，系统自动拉取这个SKU的历史销量、当前库存、在途订单、供应商交期。逻辑层面，系统根据预设规则判断：按当前销售速度，还能撑几天？补多少合适？从哪个供应商补？行动层面，系统自动生成一张补货单，推送审批，审批通过后直接写入ERP，触发采购流程。
关键在于，这三步是连贯的，中间不需要人去"搬运"信息。人只需要在关键节点做审核。
Palantir把这个设计叫做"安全行动"。AI生成的补货方案先放在一个"沙箱"里等你审核，不直接执行。你可以看方案细节，可以修改参数，可以否决。通过了，才真正写入业务系统。
这跟很多企业现在做的"AI建议"完全不同。建议是只读的，方案是可执行的。建议需要人去"搬运"到业务系统里，方案只需要人点一个"同意"。
三只松鼠怎么打通的
三只松鼠后来怎么解决的？
他们做的第一件事不是买更准的预测模型，是建"一品一链"全链路溯源系统。这个系统把278个原料基地、4大供应链集约基地、30万级洁净车间、AI光谱品控全部串在一条链上。每个环节的数据是通的，不是各自记在各自的Excel里。
然后他们在"一品一链"上接了需求预测和补货逻辑。预测模型说"下周断货"，系统自动查供应商交期、查在途订单、查最小起订量，生成一张可执行的补货方案。供应链经理在手机上收到推送，看一眼方案细节，点"同意"，采购流程自动启动。
创始人章燎原在今年5月的"三生万物"生态大会上讲了一个数字：2024年三只松鼠分销做到近30亿规模，只用了120到140人，人效超过传统企业的3倍。这背后是"品销合一"网络型组织的功劳，但组织能跑起来，前提是数据链路通了。
天猫超市跑通的完整链路
国内跑通决策闭环更完整的案例是天猫超市的"超喵1.0"。16个子Agent覆盖了从选品到履约的全链路。
超喵的选品Agent在"纯牛奶"类目下发现了一个细分机会：高蛋白、4.0克含量、中高端价格带。这个品类的搜索热度在涨，但在售SKU数量偏少。选品Agent自动生成任务，推送到采购后台，采购点击"一键下发"，任务到达对应商家后台。
接下来，发品Agent帮商家一键上架，链接武装Agent生成主图、详情页文案并自动做AB测试，投流Agent根据商品特性制定投放策略，诊断Agent从30多个维度做归因分析。
从发现商机到选品、确定规格、制定销售策略、投流、运营诊断，整条链路是连贯的。臻选4.0高蛋白纯牛奶这款产品，从选品Agent发现商机到最终上线销售，转化率提升了80%。
天猫超市AI首席架构师谢东在商家大会上说了一句话："AI提供智能，人掌握决策，品牌方拥有一票否决权。"这句话的潜台词是，AI已经做到能自主跑完整个链路，人的角色从"执行者"变成了"审核者"。这是决策闭环真正跑通后才可能出现的状态。
"最后一公里"卡在哪
更多企业的现实是，即便模型能给出准确预测，闭环还是打不通。卡在"行动可执行性"。
举个例子。AI建议补货500件，但供应商最小起订量是1000件。你补还是不补？补1000件多出的500件可能变成滞销库存。不补，下周断货。
再比如，AI建议这个品降价10%冲量，但价格调整需要三级审批。等审批走完，促销窗口期已经过了。
这些问题靠模型解决不了，属于业务规则约束。Palantir的做法是把这些约束也建模进来。供应商最小起订量、审批层级、价格变动范围，这些都是"行动"层面的规则，需要平台层统一管理。AI生成的方案必须在这些约束内才是可执行的。
从"人在环中"到"人做例外"
决策闭环跑通后，接下来是信任度的问题。
一开始，AI做提议，人做审核，每一条都要人看。这个阶段叫"人在环中"（Human-in-the-loop）。效率不算高，但安全。
信任度上来之后，人从"审核每一条"变成"只处理例外"。AI在授权范围内自主决策，只有超出范围或遇到异常时，才升级给人处理。
丰e足食的"星途智航"已经接近这个状态。18万台智能柜的日常运营，每天上亿次决策，人工干预只有4000次左右。这意味着99.99%的决策是AI自主完成的。他们的COO朱涛把它比作无人零售的"L4级自动驾驶"。
怎么做到的？丰e足食从2023年到2025年投入了约2.5亿研发，自研了近百个决策模型，覆盖补货、调价、选品、效期管理等多个决策点。每个模型的输入、预测结果、实际结果都在持续记录，模型不断迭代。关键是，这些模型都在同一个平台上管理，数据共享、逻辑共享、行动接口共享。
复盘总结
做完这几个项目的复盘，我提炼了三条经验。
第一，AI项目最贵的浪费不是模型不准，是"有预测没闭环"。 很多企业的AI预测准确率已经很高了，但预测结果停留在看板上，没有人执行，也没有系统自动执行。你花了一百万买预测模型，但只用了前半截，而后半截从"建议"到"行动"的通路没打通，前面的投入全打水漂。
第二，决策闭环的核心不是AI够强，是数据、逻辑、行动三者在同一个平台上。 三只松鼠先建"一品一链"打通数据，再接预测和补货逻辑，最后连上审批和采购行动。天猫超市16个Agent共享同一套数据底座和行动接口。Palantir的Ontology把三要素放在同一个决策平面上，思路是一样的：先有平台，再有闭环。
第三，闭环跑通后，人的角色从"执行者"变成"审核者"，最终变成"例外处理者"。 这个转变不是一蹴而就的。Palantir的Krishnaswamy管这个叫"平滑地转动旋钮"。先拧到"AI提议、人执行"，再拧到"AI提议、人审核后执行"，最后拧到"AI自主执行、人只处理例外"。每一步都建立在信任积累的基础上。
