AI 讀得懂全世界，卻讀不懂你的企業

　　圖 1

　　一、問題的起點：讀得懂語言，讀不懂數據庫

　　/朝聞通/通用大模型在通用任務上的表現已相當成熟：陌生領域的知識問答、行程規劃、散亂材料的梳理歸納，都能給出結構完整的輸出。這也是目前 AI 給人的普遍體感——全天在線，覆蓋面廣。

　　但換一類問題就不一樣了：“上個月銷量為什麼下滑?”

　　這類問題，大模型答不了。答案不在它的知識範圍裡，而在企業的 ERP 裡。

　　大模型的全稱是“大語言模型”，訓練語料是人類語言。隻要是人的表達，邏輯再複雜它都能理解;但數據庫不是為閱讀而設計的。以一套典型的零售 ERP 為例，系統内有 3.700 多張表。Excel 中名為“貨号”“銷量”“金額”的列，在數據庫裡對應的是 QTY，甚至是 XL——同一個系統中，一張表的銷量字段是 QTY，另一張表的數量字段是 XL。字段的業務含義、表與表之間的關聯關系，隻存在于開發人員的認知中;而這份“說明書”，是幾百萬行源代碼。

　　幾百萬行說明書，沒有人讀得完，AI 同樣讀不下去。為人而寫的内容，AI 都能讀;不為任何人而寫的，今天的 AI 都讀不懂。

　　圖 2

　　讀不懂是第一個問題，敢不敢用是第二個。

　　AI 輸出錯誤的代價，在企業場景裡會被放大。導航給錯一條路線，損失隻是幾分鐘;但若 AI 把“下滑 20%”報成“增長 20%”，而企業已據此向工廠下了 20 萬元的訂單，代價就是真實的資金損失。更麻煩的是，AI 出錯時通常不會有任何報錯提示。

　　因此“可信”必須有明确定義：給出的數字，要能解釋清楚來源與構成;結論要能證明全過程;超出能力範圍時，要明确給出“不知道”。可解釋、可證明、會拒絕——這是企業敢用 AI 結論的前提。

　　圖 3

　　二、産品定位：為“讀懂企業”而生的分析系統

　　這兩道門檻，行業裡繞了很久，始終沒能真正跨過去。

　　零售大腦(Retail Brain) 由此而生，由上海圓周率智能科技有限公司推出。它不是又一個“對話框”，而是一套面向企業經營的分析系統：直接接入企業自有數據庫，把“最近生意怎麼樣”“這筆合作能不能做”這類問題答上來，并且每一個數字都經得起追問。

　　能力邊界也不止于零售。企業的 CRM、供應鍊、會員、财務，任何一個系統都能接進來，不需要源碼，隻要數據庫，系統即可自動建模。建模完成後，既可以查詢這批貨的生産完成時間，也可以分析會員結構是否存在問題。

　　圖 4

　　三、核心能力：一本字典，一套憑證

　　零售大腦補上的，正是兩樣東西。

　　第一樣，是一本字典，叫本體論。 它源自亞裡士多德的哲學思想——用“實體”和“關系”這兩個最基本的元素，就可以描述整個世界。2006 年，Palantir 把它引入數據建模，如今已是企業服務市場裡市值數千億美元的公司。借助本體論，過去雜亂無章的 3.700 張表變得可讀：表之間如何關聯、每個字段什麼含義、每個數字對應什麼業務問題，都能給出明确答案。

　　第二樣，是一套憑證。 财務給出的數字之所以可信，是因為背後有完整的賬目與責任人。AI 給出的每一個數字，也應當具備同樣的可追溯性。

　　由此産生了“審計視圖”：綠色數字完全來自系統，藍色數字是計算得出的值，黑色數字尚未經過确認——黑色并不等于錯誤;指向其中任何一個數字，都能看到對應的來源憑證與唯一編号。

　　四、應用場景：十幾分鐘，走完一次經營問診

　　與零售大腦的對話，通常從一句最平常的話開始：“最近生意怎麼樣。” 沒有指定指标，也沒有指定報表，“最近”是多久、“生意”看什麼，全部由系統自行判斷。

　　系統選擇了最近 30 天：零售額約 144 萬元，同比下降 9.5%——随即補充了一個容易被忽略的口徑問題：老店的同店表現下滑幅度更大，7 家新店帶來的收入抵消了一部分下降，隻看整體 9.5%，會把老店的情況看輕。

　　圖 5

　　繼續追問，得到的是一句歸因清晰的結論：“錢主要是賣得少丢的，不是賣得便宜丢的。” 件數與成交筆數下降，價格指标沒有明顯變化，因此排查方向應先指向銷量。若未區分這一點就貿然降價，很可能銷量問題尚未定位，價格已經降了下去。

　　對口徑的嚴謹，在門店對比中體現得更為明顯。對比兩家門店時，系統先糾正口徑：這屬于兩家具體門店之間的比較，而不是上海與深圳兩個城市市場的比較。它也排除了“新店爬坡”和“一家賣新貨、一家清老貨”兩種解釋;即便其中一家庫存明顯更少，也沒有直接得出“貨少所以賣得少”的結論，而是給出另一種可能——前期銷售不佳，導緻後期不敢補貨，庫存少的原因可能正好相反。

　　圖 6

　　系統的另一項能力是拒絕。詢問“每個導購壓了多少庫存”，它會先指出系統中不存在這個口徑——庫存挂在門店和 SKU 上，不歸屬于導購。詢問“看一下門店的毛利情況”，它會明确回答：毛利與成本類指标不在當前賬号的授權範圍内，這屬于權限拒絕，而非指标缺失;更換時間範圍、拆分門店分别查詢再彙總，同樣無法繞過。

　　圖 7

　　當問題複雜度進一步上升，系統還有一個動作：立案——進入深度分析，相當于交出一個完整的調查項目。

　　第一個案子是常見的擴張誘惑：既然上海這家店比深圳賣得好，上海是否可以多開幾家?系統的結論是——現有證據不支持。這家店 1、2 月月銷均超過 20 萬，但 3 至 8 月月均隻有約 8 萬;以高峰月作為新店預算依據，計劃數字會很好看，而租金不會隻在高峰月發生。它給出的建議相對克制：若要嘗試，先做一家輕資産試點，補齊租金與客流數據，測算盈虧平衡月銷額，再與現有門店的常态水平對比。

　　第二個案子涉及真實投入：有加盟商願意承接杭州市場，前提是公司先在杭州開設一家旗艦店。系統首先識别出兩組數據不可混用——現有經銷客戶近 12 個月進貨額約 65.7 萬元，當地門店同期零售額約 72 萬元，前者是經銷進貨，後者是終端零售，都不能用于預測新店利潤。随後它點出真正的問題：新加盟商帶來的是增量生意，還是原有生意的轉移?并提示先在合作條款中明确兌現條件——避免門店裝修完成、租金已付，而對方未按量進貨。

　　圖 8

　　十幾分鐘内，回答、下鑽、歸因、異常檢測與經營建議全部完成;一旦進入“立案”，系統還會先提出若幹假設，再逐條用數據驗證。

　　五、差異化優勢：為什麼不是 text to SQL

　　讓數據說話，這個行業做了 20 多年。從 BI 到數倉、數據中台，所有努力都指向同一件事，但至今沒有讓人滿意的答案。近幾年 AI 出現，整個行業集體走上了一條路徑：text to SQL——把一段文字生成 SQL，再到數據庫中取數。問題在于，當一句話需要關聯五張以上的表時，會産生“沉默出錯”：計算庫銷比時，銷量若忘記減退貨，數值即失真;以此推導一連串結論，而整段 SQL 語法完全正确，業務人員也很難立即發現問題。等到回查到那一小段錯誤時，經營決策窗口往往已經關閉。

　　零售大腦選擇的是另一條路徑。支撐它走通的原因有三個：一是既懂數據、更懂業務——業務即數據背後的來龍去脈;二是沒有技術包袱，發現路徑走不通即果斷切換;三是押注本體論足夠早，而 Harness 這一層技術恰好在卡住的時候給出了答案。

　　數據分析這條賽道上，Palantir、Snowflake、Databricks 等公司占據了最強位置。零售大腦沒有選擇正面競争，而是沿本體論路徑另開一局——目前這一路徑上還沒有第二家，但已經有兩三家在向這個方向靠近。

　　圖 9

　　六、落地與價值：隻讀接入，不動現有系統

　　當 10 年的經營數據接入後，每個數字出自同一口徑、每個結論都有憑證可查、每一次追問都能向下鑽取——過去月會上營銷、财務、營運報出三個不同數字、會後核實再無下文的問題，由此都有了明确結論。

　　成本方面，一組對比可以說明差距：過去回答“上海是否要多開幾家店”這類問題，需要引入外部顧問，經曆調研、取數、出報告的完整周期，費用動辄上百萬元;而現在，一次提問的成本約為一分錢。更重要的是不改造現有系統：隻讀接入、不動現有系統、數據不出域、可私有化部署——不需要押上現有架構，随時可以停止。

　　圖 10

　　七、結語：讓每個數字都有出處

　　回到開頭那個問題——“上個月銷量為什麼下滑?”

　　大模型答不了它，因為答案不在語言裡;BI、數倉、數據中台這幾十年做的事，也沒能給出答案，因為答案不在某一套報表裡。答案一直都在：在企業自己的數據庫中，在那 3.700 張表裡，隻是缺少一種把它讀懂的方式。

　　這幾年 AI 從“能聊天”走到“能幹活”，中間隔着的正是這兩道門檻——讀不懂，和讀懂了不敢用。零售大腦要做的，就是把它們拆掉：讓每個數字都有出處，讓每句結論都能被追問，也在超出能力範圍時，明确給出“不知道”。

　　讓 AI 讀懂你的企業——這件事，這個行業做了 20 多年，始終沒有一個讓人滿意的答案。現在，零售大腦給出了自己的答案。

　　關于圓周率

　　上海圓周率智能科技有限公司是伯俊科技旗下子公司，聚焦 AI 技術探索與産品研發。品牌名「pient」蘊藏雙重意涵：π 以無限不循環之姿，象征永無止境的求知與探索;ent 取自 entity(實體)，呼應本體論從哲學追問存在本源，到 AI 領域定義實體關聯、構建知識框架的技術内核。公司使命：讓 AI 讀懂你的企業。