AI信仰被公开检讨，零售数据底座怎么补

10月12日，在第26届中国国际工业博览会开幕式上，宇树科技创始人王兴兴在演讲中把话题转向自己，称过去十几年犯的最大的错误就是对AI的相信还不太够，个人对AI的信仰每年都在与日俱增。他同时判断，全球范围内AI技术进步非常快，每隔一两个月都有非常大的更新，具身智能行业临界点的到来会相对快，甚至可能是一两年。这番自我检讨之所以引发广泛讨论，是因为它指向一个零售行业同样绕不开的问题：当技术迭代以月为单位发生时，企业按年度做数字化预算的节奏是否已经落后。

核心结论

这段表态的核心价值不在观点本身，而在它揭示了一种组织能力短板：认知更新速度低于技术迭代速度。当模型能力每隔一两个月就有明显变化，按年度规划、按季度验收的数字化流程必然滞后。对零售企业来说，这意味着需要把技术评估从项目制改为常态化机制，用短周期的小规模验证替代长周期的整体方案，让组织的判断能够跟上外部变化。

第二个启示是数据资产的优先级被再次抬高。王兴兴提到让机器人大规模落地并持续获取真实数据是临界点提前的前提（搜狐科技），这一逻辑在零售场景同样成立。AI在选品、定价与履约上的效果，取决于企业是否拥有连续、干净、可追溯的经营数据。模型可以外购，数据只能自建，这也是零售企业在大模型时代最难被替代的资产。

第三个启示与组织有关。他提到技术迭代速度决定了组织对AI投入的节奏必须提前（京报网），提前投入意味着要容忍阶段性的低回报。零售企业的经营节奏通常按季度考核，如果数字化投入必须用当季收益证明价值，就很难支撑需要跨期积累的数据基建，这也是许多项目在第二年停滞的根源。

能力拆分：零售AI的四层底座

把「相信AI」翻译成可执行的能力，需要拆成四层：数据采集层、数据治理层、模型应用层与组织机制层。四层之间存在明确的依赖顺序，跳过任何一层，上层投入都会因为基础不牢而难以规模化，最终表现为试点效果好、推广效果差。

第一层：数据采集要覆盖全渠道

采集层的目标是让交易、库存、客流与履约数据能够在同一时间轴上对齐。线上行为与线下到店如果不能对应到同一个消费者或同一个门店，后续的分析就只能停留在渠道内，无法回答全渠道增长这类真正关键的问题。国家统计局数据显示，1—8月份社会消费品零售总额为327569亿元，同比增长1.1%（国家统计局），在总量平稳的环境下，增长只能来自份额与效率，而这两者都依赖数据的完整性。

第二层：治理决定模型可用性

治理层的核心任务是统一口径与提升可用性，包括商品主数据、门店主数据、指标定义与权限管理。许多企业模型效果不稳定的根本原因不在算法，而在同一指标在不同报表中有不同算法。先把口径统一，再谈模型上线，是成本最低的顺序，也是被反复验证的经验。

第三层与第四层：应用与机制要配套

应用层要选择可以量化收益的场景优先落地，例如需求预测、动态定价、智能补货与客服辅助。机制层则需要明确谁来评估、多久评估一次、失败如何复盘。只有当机制允许快速试错，应用层才可能持续迭代，否则一次失败的试点就足以让整个方向被搁置，团队的探索意愿也会随之下降。

最佳实践：把技术评估改成月度机制

要解决认知滞后问题，最直接的做法是把技术评估的周期从年度缩短到月度。每月固定复盘一次可用工具、模型与平台能力的变化，评估对现有流程的影响，并选出一个小场景做验证。这种做法不追求一次性完成转型，而是让组织始终保持对技术边界的准确判断，避免在半年后才发现某个环节早已有更优解。

用可量化的验证替代概念论证

评估必须落到指标上。以需求预测为例，可以比较引入模型前后的预测偏差、缺货率与滞销库存占比，而不是比较方案的先进程度。可量化的验证能够把讨论从立场之争拉回事实层面，也更容易获得业务部门的配合，因为业务方最关心的始终是具体指标有没有改善。

把失败纳入正常的迭代节奏

试点失败是常态，关键在于失败的结论要被记录和复用。建议为每个验证场景保留一份简短的复盘记录，写明假设、数据范围、结果与下一步动作。当这些记录积累到一定数量，企业会形成自己的技术适配知识，这比任何外部方法论都更贴合自身的业务约束。

常见误区

第一个误区是把相信AI等同于采购系统。系统只是工具，缺少数据与流程支撑，采购本身不会带来能力提升，反而会因为使用率低而在下一轮预算中被削减。第二个误区是等待技术完全成熟再投入。迭代以月为单位发生，等待成熟等于持续落后，正确做法是选择容错高的场景先行验证，用较低成本换取认知更新。

第三个误区是只让技术团队承担转型责任。数据口径、流程调整与考核方式都需要业务部门参与，如果转型被定义为技术部门的项目，业务侧就只会被动配合。第四个误区是追求全流程一次性打通，忽略分阶段收益。分阶段落地可以在早期就产出可验证的收益，为后续投入争取资源，而一次性打通往往周期过长，中途失去支持。

本篇研判：AI投入的竞争将转向数据积累速度

可以预判，未来一两年零售行业在AI上的竞争会从工具选择转向数据积累速度。模型能力会快速趋同，能够形成差异的是企业自有数据的规模、密度与连续性。谁的数据积累开始得更早，谁在模型效果上就会形成复利式优势，这种优势很难通过后期采购追平。

这一判断也解释了为什么跨期投入机制至关重要。2026年上半年社会消费品零售总额为248722亿元，同比增长1.3%（中国政府网），行业整体处于低速增长区间，企业很难依靠自然增长覆盖转型成本。只有把数据基建视为长期资产而非当期费用，才能在低增长环境中持续投入，并在需求回升时率先释放效率红利。

对区域零售企业而言，务实的路径是先在一个渠道或一个品类把数据闭环跑通，形成可复制的模板，再向其他渠道与品类扩展。这样既能控制投入规模，也能在早期积累经验与信心，避免因为目标过大而长期看不到成果，最终让转型停在计划阶段。

总结

王兴兴关于「对AI相信还不够」的公开检讨，对零售行业的直接提示是：认知更新速度必须追上技术迭代速度。可行路径是把技术评估从年度机制改为月度机制，把验证落到预测偏差、缺货率等可量化指标上，并把失败纳入正常迭代节奏。支撑这一切的是四层能力底座，其中数据采集与治理决定上限。在总量低增长的环境中，数据积累速度将取代工具选择，成为零售AI竞争的主要变量。