2026云栖大会「经营·进化：Agent时代的零售新增长」论坛（9月23日）上，七家企业的实践拼出一个共识：零售业的AI竞争已从「模型聪不聪明」转移到「数据底座和知识资产硬不硬」。阿里云解决方案架构资深总监王旭文把它命名为agentic retail（代理式零售）——AI agent承担感知、决策、执行、反思的完整闭环，并在闭环中持续学习。这场论坛最值钱的不是愿景而是真实数字：星巴克的智能问数agent能自主跑完20多分钟的归因分析、业务每周提问超300条；阿迪达斯用100多张素材训出专属LoRA模型、设计周期从月计变周计；博西家电的客服故障树有400多个节点；万店掌管着约60万家门店的AI巡检。圆桌嘉宾也坦白了另一面：AI工具「用两三天就死掉」是常态，agent上到成百上千个时治理会爆炸。最有用的结论来自星巴克刘健男：「模型的进步是时代的红利，人人共享；企业知识的沉淀是自己的功课，无人替代。」

消费者先有了agent，商家才被迫进化

理解整场论坛，要从王旭文开场的一幅画面说起：门店离开店还有十三分钟，周末卖断的货还没补到，顾客投诉未消，进店的消费者已掏出手机比价。他把AI崛起带来的挑战总结为四个「跃迁」：消费者、商品、门店、服务。最根本的是第一条：过去一年，越来越多消费者有了自己的agent，帮他们搜索、比价、找货——消费者主权进一步崛起。

这条变化会传导：当商品分发的入口从货架与信息流迁移到对话，商家的经营逻辑必须跟着变。王旭文引用Gartner预测（讲者引用，未独立核验）——到2028年，60%的品牌将通过agent与消费者进行一对一的个性化服务对话。阿里云的应对之一是Knowledge Studio（知识工作室）：过去知识库是给人看的，而引用主论坛上阿里CEO吴泳铭的判断——「未来99.9%的智能是机器智能」——知识生产必须面向AI，「让每一件商品被AI看见」，从embedding（向量化检索）、re-rank（重排序）到分权分域召回全链路重构。他的体感：自己已很少打开搜索引擎，而是直接让agent推荐商品——商家的优化逻辑正从面向搜索，转向「让生成式引擎认识你」。

王旭文还发布了一张九象限图：五十个最有价值、成熟度最高的零售场景，纵轴是业务经营价值、横轴是技术成熟度，气泡大小代表闭环自治程度；右上是成熟的「扩展区」，左上是价值大但有挑战的「优先投资区」，未来12到24个月气泡会整体右移，图将以白皮书发布。配套案例：与天猫新品创新中心（TMIC，转写误作「TMC」）合作的设计出图让设计周期缩短30%以上；AI素材生成让生产效率提升十倍以上、成本下降一到两个数量级——某品牌拍民国风宣传片供应商询价近百万，三个IT同学用阿里云方案五天做完；门店「拍照即合规」把巡检从抽检变全量；智能客服升级到代替人操作ERP、CRM；还有今年云栖最重要的产品「千问办公」——阿里财务、法务、人事等业务同事创造的专家技能正被产品化输出。他的收尾是全场最清晰的行动路径：花90天让数据知识「readable」（可被agent读取）；再花6个月让agent在业务流程中闭环工作；再用一到两年形成agent loop，让multi agent协作，推动人和agent共同进化。

数据底座之战：星巴克的「20分钟时刻」

如果说王旭文给了地图，星巴克中国数据平台与治理总监刘健男给的就是地形测绘报告。星巴克在中国有超8000家门店（外部核验：2025财年末8011家），到这个量级，数据不是要不要用，而是供不供得上的问题。星巴克有深厚的数据决策文化，每周经营复盘全靠数据说话，但「报表越建越多，永远供不上业务的追问」——不缺数据不缺报表，缺一个随时在线、听得懂业务的分析师。这条路走过弯路。2024年起他们探索NL to SQL（自然语言转SQL，转写误作「NL to Circle」），用语义解析加大模型套固定模板，始终不达预期：模板无法穷尽业务问法，早期大模型又常有幻觉。新方案是把数据字典、标准SQL、知识库全部交给大模型自行推理生成全新SQL，本质是业务侧的vibe coding（自然语言驱动AI写代码）。时间线说明问题：2021到2024年与阿里云共建数据底座，2025年实践vibe coding，2026年4月全面使用Qoder（阿里智能编程产品，转写仅作「Code」），5月智能问数agent进入POC，6月业务试点引爆——「不是我们做得多快，而是底座和vibe coding都ready之后，智能问数水到渠成」。

真正的转折是一次「尴尬的演示」。立项时智能问数并不是目标——探索两年心里没底，团队保守地先做agent一键生成固定经营分析报告，打磨得很漂亮，业务演示却反响平淡。一位业务伙伴现场说：我正好在研究一个问题，能不能直接问你们的AI？他打了长长一串文字——一个复杂的归因分析问题，agent整整跑了20多分钟，刘健男全程忐忑。结果出来后对方的评价被写进了PPT：agent不只把数据取对了，还给出完整数据下钻，分析深度至少达到中级分析师水准。星巴克由此想清定位：不做SQL翻译器、不做报告生成器，为每个业务伙伴配一个7×24小时在线的分析师。

架构上他们遵循agent harness思想——用确定性的工程系统包裹并控制不确定性的模型，分五层：交互层（Qoder自然语言）、编排层、语义层、数据服务层（经MCP标准接口做查询与权限管理）、数据底座。语义层是「灵魂」：业务问「今年的秋奶卖得怎么样」——「秋奶」是立秋当天「秋天的第一杯奶茶」促销，没有语义层时AI把它当饮品去商品库搜索，一本正经回答「没有找到该款饮品」。语义层承载四类资产：业务语言（行话的权威解释）、指标库（167个标准指标、覆盖18个业务域）、数据字典（表结构加使用陷阱）、分析方法论（教AI像分析师思考）——这件事只有企业自己能做。

星巴克还贡献了全场最扎心的推演：假设问数上线，业务问十个对九个，看似不错，但致命的是不知道错的是哪个——于是每问必人工复核，提效变增负，最终业务用脚投票弃用。「没有好的数据，就没有好的答案」：两年前卡住企业的是技术代际，今天技术已ready，卡住更多企业的是数据底座。现状是agent仍在试运行，业务每周真实提问已超300条，最关心的问题变成了「我还剩多少Token」；更根本的是习惯改变——从提需求等数据，变成亲自下场卷分析。刘健男总结四前提（数据底座、vibe coding加速器、语义层灵魂、体系定下限而模型定上限）和一条铁律：指标库四个月从99个涨到167个，每个新指标背后都是业务真实提问——「没有反馈飞轮，AI永远停在Day One」。

场景怎么选：博西的四条判据与「Demo到生产」的死亡谷

博西中国消费者数字化负责人刘良谋（博西家电即BSH，旗下西门子家电与博世家电）给出传统制造业的方法论。从一个极简场景拆起：「我的洗衣机不排水了」——消费者打个电话就完事，企业水面下要做的是：理解诉求（售前售后、故障咨询）、判断是否需上门、查询信息（历史维修、保修政策）、创单派工、上门完工、NPS（净推荐值）评价，生态还要关联网点、技术支持、仓库物流乃至产研质量。

体系足够大时，人的经验成为瓶颈：博西的客服故障树（转写误作「故障数」）节点有400多个、细分分支上千；老员工几秒能答的问题新员工要检索加问人；大量交互数据在沉睡。由此他给出全场最具操作性的框架——场景值不值得用AI的四条标准：高频重复（每天成千上万次）；大量人工判断检索（正是AI所长）；已产生可用数据（AI不凭空工作）；结果可验证（一次通话解决率、服务时长这些KPI有没有改变）。第四条近乎一票否决：无法验证，价值就难衡量。

博西同样泼了冷水：真正困难的不是让demo跑起来，而是融入流程后推广到真实生产。小规模测试时网络稳定、数据干净，一切都好；真实推广要面对：准确率95%以上，剩下5%答错了怎么办？复杂问题若AI要十秒才能语音回答，消费者会立刻喊「转人工」；大促爆发时的稳定性；以及成本和governance（治理）。策略是分级：复杂、模糊、高风险场景AI辅助人；简单、风险可控场景AI作为agent直接解答——前提是与CRM、工单、库存等现有流程贯通，否则「只是从一个聊天框切回来，更聪明了，但效率并不绝对提升」。

这套逻辑在连锁门店被万店掌联合创始人朱友闻放大到60万家的量级。万店掌2016年成立于苏州，服务6000多个品牌、约60万家门店（外部核验：公司背景与官网一致）。他先纠正一个流行印象：疫情后线上销售占比连续两年回落，最新口径线上26.1%、线下73.9%（讲者引用的行业数据）——线下仍是主场。万店掌的角色是「连接器」：总部有标准化体系，单店模型验证后靠复制扩张，但门店员工是执行心态，中间的信息断层靠AI补上——开门自检与打烊确认的拍照checklist、算法自动识别货架场景与检查项（畅销品缺货、摆错位置）、品牌总部动辄两三百人的远程视频督导被大模型助手部分替代。他强调要「给大模型一个缰绳」：让AI在框定范围内检查，否则分析就跑偏；技术上大小模型结合——大模型泛化强，小模型在限定场景成本低、不跑偏，客户按token付费。最细的案例是便利店FF区（快餐鲜食区）检测：写字楼午间下班潮时，风幕柜上的饭团、便当是否饱满，直接决定营收。还有「AI陪练」：AI扮顾客陪导购对练话术，再基于对话生成能力评估，提升成交率与连单率。

品牌资产与圆桌：从垂类模型到三本账

阿迪达斯大中华区数据和AI技术总监沈海涛回答了通用大模型时代品牌方最焦虑的问题：通用模型能生成一双鞋，但不能生成一双阿迪达斯的鞋——「三条纹不只是装饰，更是七十多年品牌资产的沉淀」。做法是与阿里云、天猫TMIC合作：把天猫的搜索、转化、购买海量交易数据，与阿迪达斯自有的设计语言、设计数据集一起喂给模型，基于千问的语言与视觉大模型加提示词工程，定制出阿迪专属的LoRA模型（用少量数据微调大模型的技术）——两款产品100多张原始素材扩充训练，得到Adidas与Adidas Originals两个专属模型，批量生成几百张图基本不走样——品牌的资产第一次真正被沉淀进了模型能力里。

方法论上有可直接抄的作业。他们把设计要素与爆款率做相关性建模得出「爆款公式」，同时看两个指标：爆款率代表成功概率，市场覆盖率代表赛道拥挤度。现场例子：功能选增高、超大后跟、防滑，颜色选灰，流行元素叠加结构多材质拼接——算出爆款率52.63%、市场覆盖率仅3%，是「高潜力但没人挤的细分赛道」。选品用双评估：AI排序模型结合爆款率打分，加消费者偏好验证（真实反馈加AI模拟预判）。成效是设计周期从月计变周计、试错成本骤降——以前要手绘打样才能看效果，现在很快能见到成品。他也坦白三个坑：既懂设计又懂AI的人难找、设计数据须严保护、法律与知识产权要共同探索。收尾克制：AI是设计师的助手而非替代；七十多年前阿迪用缝纫机设计鞋子，今天用大数据和AI，工具在变，初心不变。

小佩宠物（PETKIT）创始人郭维学展示了另一条路径：硬件公司的数据壁垒。小佩2013年起步做宠物智能硬件，累计超700万用户、全球50多个经销商（外部核验：官网确认2013年由郭氏兄弟创立）。他的工程师思维很直白：只要一个对象的输入输出都由我掌握，就能追踪数据变化推测它发生了什么。宠物三件套（喂食器、饮水机、猫厕所）恰好涵盖宠物的全部输入输出——每一口粮、每一滴水、每次排泄都有设备记录，「人类健康公司只能靠手表、戒指采集碎片化数据，这是它们梦寐以求的场景」。下一个十年使命从save time（省时间）变成save life（护生命）：AI健康预警按泌尿系统（今年）、消化系统（明年）、皮肤系统（需连续影像分析猫夜间异常抓挠）、骨科（影像算力成本更高）逐级推进。中美对比给出出海动力：宠物生病开支中国约1000元、美国约8000美金（讲者口径）。与千问大模型合作后健康识别准确率提升52%，商业模式从卖设备变成全生命周期服务——独占数据×模型能力，才是垂类公司的护城河。

压轴圆桌「从数字连接到智能经营」由阿里云王佩琪主持，嘉宾截面完整：粮油（益海嘉里金龙鱼刘家祺，AI和大数据负责人）、食品外企（通用磨坊中国首席数字信息官胡颖）、便利店（罗森CIO糟谷俊文，日籍，现场配同传）、电商服务商（宝尊首席架构师刘鎏）。

刘家祺的案例朴素但锋利：覆盖十四亿人口的经销商网络里，仍有经销商发邮件下订单，需人工读邮件、解析、录入。有了agent，它直接读邮件、判断、解析、完成全链路。他的总结是对「信息化vs智能化」最精炼的表述：之前是企业用信息化手段把业务放在系统里，现在是把判断力放在流程中。组织转型上他极坦率：最难的是「别在公司死掉」——AI软件买回来发下去，用两三天就没人用了。破局靠同伴效应：全集团2000多名用户，5月组织skill比赛收到200多人提交案例，从后台看用量主动触达种子用户。「董事长起一个AI项目，员工没感觉；但坐在你旁边的人用千问办公提了效，你觉得他行那我也行。」

通用磨坊（旗下哈根达斯、湾仔码头）胡颖的框架最成体系。她把AI演进分五步：ask（发生了什么）→diagnosis（为什么）→predict（会怎样）→simulate（模拟调价5%、调投放后的结果）→act（授权agent在安全边界内执行）。方法论四条：场景选择永远从业务痛点和可承诺的KPI出发；能力文化靠培训、黑客松和AI大使；企业上下文是最有价值的资产——「模型很聪明，但它不懂你的企业、客户、渠道」；把黑客松产出的use case抽象成capability沉淀为AI中台。架构上她点出本质变化：传统架构是application加data加integration，现在要加一层enterprise agent layer——当agent到成百上千个时，谁建的、权限如何、token消耗多少，全是治理问题。她的明年期许是MNC的务实：要agent真正嵌进核心流程、提升销售和利润，「一个人可以带百人的军团」。

罗森糟谷俊文的坦诚是全场稀缺信息。罗森在中国大陆约7000家门店（外部核验：截至2026年6月为7018家）、日本约1.4万家，中日系统完全独立。罗森在中国全境「张开天线」尝试agent与physical AI（作用于物理世界的AI），覆盖店铺开发、商品开发、督导运营，但他明确说：对业务的impact「还没有具体固定的成果，多在尝试阶段」。他的担忧很日式：便利店的价值在于给顾客温暖和便利，AI可能反而把这份便利「夺走」——但与AI引擎连动又能创造新便利。

宝尊刘鎏用一个「卷」字概括今年：业务迭代上线比往年快20%到30%；电商业务稳健增长，但技术开发与实施人力不增反降——与agent在开发运维体系落地直接相关。他把转型第一挑战定位在人的思想意识：年初被一个新AI产品（转写为「Open Cloud」，疑为OpenClaw）横空出世「卷了一下，但那只是触个电」，于是自上而下「打一场AI的人民战争」，让智能化能力从各自实际场景孵化。技术路线是清晰的分层：依托云厂商快速嫁接通用能力，核心自建企业Skill Hub与大模型接入。架构总结：建企业级Agent平台要做好两层——Model层（模型网关治理通用模型使用）和Harness层（上下文记忆、知识库等支撑）。他对明年的期许很有技术感：一是「全模态」——比多模态更进一步，输入「一个摄像头加一个麦克风就好」；二是警惕大模型输出的「知识爆炸」推高使用成本，期待不能对话但能快速评判的低成本模型。

意味着什么，以及观察什么

把碎片拼起来，能看到清晰的机制链：消费者先拥有agent（比价、搜索、推荐）→ 商品分发入口向对话迁移 → 商家的商品知识与数据必须「被AI看见」→ 零售企业的数据层与知识层被迫重构。二阶影响已经显形：搜索时代的SEO逻辑向生成引擎时代迁移；分析能力从分析师岗位溢出到业务一线（星巴克的业务亲自下场问数）；Token成为新的预算科目。对读者的启发很具体：先用90天把数据和知识变成agent可读的——这步不做，后面的执行闭环无从谈起。

第二条链关于落地方法论：场景选择正从「技术能做什么」转向博西的四条判据（高频重复、大量人工判断、已有数据、结果可验证），其中「结果可验证」接近一票否决；而demo到生产之间有一条死亡谷（95%之外的5%、十秒响应、大促稳定性、成本治理），跨过去的标志是agent与现有业务流程贯通而非并列。第三条链关于组织：AI工具闲置是常态，adoption靠同伴效应与种子用户而非行政命令；规模化之前必须先建益海嘉里所说的「三本账」——安全账（谁在越权）、成本账（Token与API费用）、资产账（全集团沉淀了多少skill与上下文）。治理不是限制自由，是为规模化铺路。最后留观四个信号：一是星巴克「体系定下限、模型定上限」的选型哲学——模型进步是时代红利人人共享，企业能把控的只有自己的体系与工具；二是阿迪达斯证明品牌调性这类「不可言传」的软资产第一次可被模型化持有，垂类LoRA可能成为品牌方的新资产科目；三是罗森代表沉默的大多数——试了很多、尚无固化成果，这份诚实本身就是行业温度计；四是那张九象限图将出白皮书，未来12到24个月「优先投资区」气泡是否如预期右移，可当作检验agentic retail叙事的真伪钟。正如圆桌收尾的氛围：所有人都相信agent已深入企业经营，但最期待的突破都留给了明年——从POC嵌进核心流程，从demo走进生产，这将是零售业「从Intelligence到Action」的渡河之年。

（注：本文依据云栖大会回放转写整理，人名、公司名、产品名已按官方议程与外部资料校正ASR误识共22处，主要包括：权杖AI→全栈AI、吴永明→吴泳铭、TMC→TMIC、刘建南→刘健男、朱有文→朱友闻、遭谷俊文→糟谷俊文、凯里→胡颖、刘佳琪→刘家祺、刘刘→刘鎏、Cassie Wang→王佩琪、易海嘉里→益海嘉里、通义磨坊→通用磨坊、NL to Circle→NL to SQL、故障数→故障树、蓝丁松→Landing Zone、百店平台→百炼、ADZERO Pro Evo三→adizero Adios Pro Evo 3等；「Kun Context」等存疑处已在文中标注。议程中的达能刘冰环节未收录于本场回放转写，本文未涉其内容。）