零售企业数字化 ｜ 如何从ERP到智能体

2016年“新零售”最火热的高峰期时，我返回IBM 咨询担任零售行业总经理，那时候都在说“新零售中台”推动零售业数字化转型，参见《新零售怎么来的 | 中国零售企业IT应用架构演进》。然而，这个技术架构并没有在中国零售企业普及。今天，人工智能和智能体又让中国零售企业进入到了一个“唯恐技术落后”的发展阶段。

在零售行业里，大模型应用如何不重蹈当年新零售中台的覆辙呢？我觉得要从企业信息系统的原理谈起。

企业信息系统经历了从记录数据、处理数据，到分析数据、支持决策，再到理解人类请求、并完成任务的发展过程，其演进路径可分为五个阶段化，以零售行业为例：

阶段I - 数据记录与事务处理系统

代表：ERP、CRM、POS、WMS、OMS等

特点：结构化数据、人工录入与事务处理、流程性强、智能化程度低。

零售行业的典型应用场景：记录库存、销售、采购等信息，为后续分析及数据利用提供数据源。这是零售行业从上世纪70 年代开始使用计算机后，直到今天一直在采用的技术。

阶段II – 数据分析系统

代表：商业智能（BI）、在线数据分析（OLAP，例如商品和品类管理分析）。

特点：汇总从阶段I 的系统中产生的历史数据，采用报表或仪表盘展示，人工分析数据来支持业务决策

零售行业的典型应用场景：销售趋势报表、品类分析、毛利分析，支撑决策，但需人工解读与执行。国外零售企业从90 年代后期开始引进这些系统，但是国内零售企业基本上是2010 年后才开始有使用这类系统的理念。

阶段III - 模型化与自动决策

代表：基于统计学、机器学习、深度学习等技术的需求预测模型、价格优化、促销响应模型、库存优化器、风控模型等。

特点：系统自动生成预测与建议，可输出具体量化建议，例如订货量、价格、促销方案等，这些方案可以与阶段I 的事务处理系统集成，实现流程智能化。

零售行业的典型应用场景：虽然由智能系统自动生成补货建议、定价建议、选品评分等，但是这些系统通常作为“建议层”，当建议进入执行系统时，通常需要人工判别或用某些预设的规则驱动执行。国外零售企业由于对数据支持决策的重视，2000 年后就开始大量使用这类系统，那是常称为“数据挖掘”，但是国内零售行业除了一些激进地追求技术应用的企业外，直到今天，大多数零售企业也鲜有这类信息系统。

阶段IV - 流程自动化与编排

代表：工作流引擎、流程机器人（RPA）、包含规则引擎与调度器的任务编排平台等。

特点：如果说阶段III 可以看作阶段II 的发展，那么阶段IV 可以看成是阶段I 的发展，从阶段I 的人类开展协作并执行任务，进化到利用计算机程序来自动化协作以及简单任务执行。把人类任务、机器任务（例如事务处理RPA、数据分析的自动化脚本等）编排成端到端流程，实现规则化审批、自动执行脚本、事务化集成。

零售行业的典型应用场景：把“需求和库存预测-向供应商下单-商品中心收货和分拨-门店补货”闭环串联起来，在这个端到端的流程中，各种任务既有数据分析、也有事务处理，可实现全流程的半自动或自动化执行，有人类介入、损失补偿等机制。这个阶段是2005 年后，基于互联网技术的分布式架构技术发展而快速发展起来的，也是“新零售中台”的企业应用表现形式。

阶段V -  大语言模型（LLM ）驱动的交互式智能体（Agent）

代表：具备语言理解、连续对话、企业知识管理、长短期记忆、推理决策、工具调用能力的大语言模型智能体（LLM Agent）。

特点：大语言模型智能体跟人类开展自然语言交互，理解人类请求后开展任务分解与动态编排，同时能调用后端模型或服务、并生成可解释的决策说明，承载更复杂的人机协作与知识查询。

零售行业的典型应用场景：采购经理通过对话让智能体：“制定下周补货与促销计划”，智能体会解析目标、并调用预测器/优化器/检索/规则服务等，生成建议并发起下单或请求审批，能持续跟采购经理对话，优化这些业务计划。这就是从去年开始，在企业应用领域内开始爆发的企业信息系统新形态。

这里说到了“智能体”，从2025 年开始，我发现在企业服务行业里突然冒了很多智能体公司出来，这些公司过去都是做传统人工智能（优化算法、机器学习、深度学习等）或者传统流程自动化解决方案的，突然摇身一变，都打出了“智能体”旗号，他们还发明了很多费解的市场营销名词，例如第四范式提了个“世界模型”的概念，很多人搞不懂这个“世界模型”和“大模型”是啥关系。

大模型智能体这个概念我过去写过不少文章，“智能体（Agent）”一词的本意就是代理人类的系统。这个名词最近几年开始火爆是因为大模型的兴起，但是并非只有大模型驱动的软件或系统才能叫智能体，只要具备“感知-决策-行动”的技术系统，都可以叫智能体，这也使得已经存在了二十年的各种类型的智能自动化系统，现在都披上了智能体的外衣。

我把“智能体”简单地分为“非大模型智能体”和“大模型智能体”两类。

非大模型智能体覆盖统计建模、机器学习、深度学习、优化、规则推理、检索、特定模态的生成、事件或环境仿真、因果分析与自动化执行等多种智能能力。在企业信息系统的构建实践中，常将这些能力按功能封装成可调用服务，与大模型智能体以及编排器协同工作，以完成复杂任务。

为什么传统的机器学习系统今天也开始被称为“智能体”了呢？

首先是能力感知的转变，过去多数机器学习系统是被动式服务，即依赖输入产生输出，以批处理或内部调用为主，人类用户不直接跟这类系统对话或指挥这类系统，因此，人们更习惯称其为“模型”或“服务”。 

大语言模型带来的可交互、通用语言能力，让传统智能系统表现出主动沟通、理解指令和推理分解的行为特征，从而更容易被直觉上视为有主体感、代理性的“智能体”。

“智能体”强调自治（感知-决策-行动的循环）和代理行为。大语言模型通过自然语言与人交互、生成行动计划、调用工具，显性地承担了智能体的角色；因此，围绕这个跟人打交道智能体的一整套能力，包括预测器、优化器、规则引擎等，就被纳入智能体的生态，可以被称作智能体的子单元或工具。 

原本的那些“模型”若被封装为可独立决策、自动执行且能报告置信度/状态，也符合“智能体”定义——亦即“非大模型智能体”。

打个通俗的比方：过去那些做预测、聚类、优化的机器学习模型，像是精于数学却不擅表达的科研专家；基于状态机、规则引擎和流程自动化的系统，像是动作利落但缺乏灵活性的熟练工人；而用来记录数据的传统信息系统，则是工人手中的工具和台账。

让“科研专家”和“熟练工人”高效协作、并善用工具，本来就需要人工协调与编排。近来兴起的大模型智能体则更像一位既善解人意、能言善辩，又善于统筹的经理人——它能理解人类需求，并据此指挥后端的模型和自动化流程去执行。

人类有通才和专才，经理人是通才，而科研专家和技术工人都是专才。同样的，从纯“大模型智能体”就是天赋异禀的通才，他可能什么都懂一点，但在业务专业的领域，例如：“中国服装零售商业模式之下的季中快反型补货策略”，大模型的知识深度和精确度可能就不够了。

而机器学习智能体可能是一系列精度更好的专业化工具集，在大模型智能体指挥下，去完成相应的任务：

我们来举两个零售行业的具体例子：

例如自动补货的场景，用户向大模型智能体发起请求：“补货下周门店A的可乐类类商品，保证达成该品类的销售预算，优先保证畅销SKU”。

大模型首先解析人类请求的意图，生成结构化任务包含：店铺、时间窗口、预算、优先级、是否允许促销干预等。智能编排系统触发任务序列：

调用检索/知识服务：获取商品属性、历史促销记录、供应商交期。

调用预测智能体：对每个SKU 生成需求分布（点预测+ 不确定度）。

调用优化智能体（补货优化器）：以预测与库存、预算、补货成本、交期为输入，求解订货量（可包含服务水平约束、分配到仓/门店）。

触发规则引擎：校验合规（最小库存阈值、品牌约束）。

若结果置信度低或触犯风险阈值，大模型智能体被通知生成解释并请求人工审批；若全部通过，调用外部任务执行类发起采购或分拨指令。

触发监控/仿真：模拟补货结果、生成KPI 预测并在后续周期持续监控。

以上全程记录审计日志与可解释性说明，供审计与业务复盘。

我们再举个零售业的智能选品场景，用户问大模型智能体：“给我下季度潜力最高的新品推荐，销售预算是卖3000 万，目标毛利20%，大模型智能体向人类提问补充信息，随后生成任务。智能编排平台并行调用多个基于机器学习的“非大模型智能体”：

检索历史相近品类/竞品表现；

新品冷启动预测器，利用相似性、嵌入匹配、多任务学习，输出销量/转化估计与不确定度；

利润模拟器/定价智能体对不同定价方案进行敏感性分析；

供应链风险评估（交期、最小起订量、供应商可靠性）；

推荐合成器将多目标（销量、毛利、风险）进行排序/打分（可使用学习到的多目标函数或多指标决策框架）。

大模型智能体将解释性推荐反馈给用户，并可生成试销计划或促销搭配建议。

总的来说，大模型智能体并不是替代了包括 ERP 在内的任何传统信息系统，而是在这些传统信息系统之上的能听懂人话、能推理判断、将人话分解为行动任务、调度各个传统信息系统来完成人类目标的新形态企业信息系统。这就是我一直公开说：“连 ERP 都没玩转，搞个毛的人工智能”的基本原理。

上周，我参加了老朋友、企业知识开源计划第一批赞助者老孙创立的哈步数据创业十周年暨新品发布会，哈步是国内最早的零售大数据公司，前些年我看着他们在做关于零售企业的人货场大数据分析方案。

这次我看老孙把过去那些用希腊罗马女神命名的那些零售业数据分析产品，全改成叫智能体了：

我以上文章就解释了为何过去数据挖掘、高级数据分析（Advanced Analytics）等零售业的数据应用进化到智能体的原理，这篇文章还没给老孙看过，不知道他是否同意我这些观点和行业揭秘。