零售企业 Agentic AI 落地手册（一）：你的 28 场景清单里，应该先做哪 4 个
本系列《零售企业 Agentic AI 落地手册》讲"把第一个客服 Agent 从 0 做到 1"的全流程。 更上一层的方法论（怎么判断什么该做成 Agent、做到什么程度）在另一个系列《Agentic AI 落地方法论》。这一篇是手册第一篇——先解决"28 场景里挑哪几个先做"。English version: Retail Agentic AI Handbook (1): Which 4 of Your 28 "Smart-X" Projects to Start With.
开篇：老板拍给你 28 个"智能 XX"，让你今年做完
某个 4 月的周一早会上，老板甩了一份清单——
智能客服、智能补货、智能滞销预警、智能排班、智能门店、智能会员、智能内容、智能推荐、智能定价、智能盘点、智能招聘、智能竞品、智能合规…… 28 个候选场景，每个名字前面都加着"智能"或"Agent"。预算批了，HC 在等指令，KPI 在等定义。你不知道哪些是真的、哪些是虚的、哪些 6 个月能看到 ROI、哪些做完老板会问"和原来 BOT 有什么区别"。
这不是焦虑，是错配——你被要求做整张清单的项目组合规划，但手里没有"哪个先做"的判断尺。
这一年我跟过几家零售集团把这张清单从 28 砍到 4。砍掉的不是预算，是干扰项——19 个场景本质是规则自动化或纯计算机视觉，做不做都不在"AI 战略"赛道上（这部分的判断逻辑在 L0-L3 分级框架 那篇）；4 个场景值得做但要等数据地基；剩下 5 个是 P0，做对了反过来逼数据中台活过来。
这篇文章给你两件事——
- 一张 28 场景地图，每个场景标了 P0/P1/P2/P3 和理由
- 一个"为什么先做客服"的论证，外加 5 个第一周必须落的决策
读完 5 分钟你能在下次内部 AI 战略会上判断哪些场景是真 P0、哪些是供应商在卖热闹；20 分钟你能给老板交一份"4 个 P0 + 第一周 5 个决策"的方案。
一、28 场景的全景图——6 大业务域，每个域 4-5 个候选
先把全景图摆桌面上：零售 Agentic AI 不是只有"智能客服"和"智能推荐"两条赛道，是 6 大业务域、28 个具体场景。
+------------------------------------------------------------------+
| 顾客旅程层 (Customer Journey) |
| 导购副驾 售后客服 会员运营 个性化营销 门店体验 |
+------------------------------------------------------------------+
| 供应链层 (Supply Chain) |
| 智能补货 滞销预警 新品铺货 物流追踪 供应商协作 |
+------------------------------------------------------------------+
| 门店运营层 (Store Ops) |
| 排班优化 KPI辅导 陈列合规 库存盘点 设备维保 |
+------------------------------------------------------------------+
| 人才发展层 (People) |
| 员工培训 招聘筛选 绩效反馈 员工关怀 |
+------------------------------------------------------------------+
| 营销增长层 (Marketing) |
| 活动策划 内容生成 竞品监控 数据分析 品牌合规 |
+------------------------------------------------------------------+
| 财务风控层 (Finance & Risk) |
| 动态定价 退货欺诈检测 财务预测 合规审查 |
+------------------------------------------------------------------+
共享基础设施层
数据中台(激活) / 标签工厂(动态化) / API网关 / AI编排平台
下面 6 张表是全部 28 场景。判读规则只有一个——P0 立即启动，P1 等基础设施就位，P2 等数据资产成熟，P3 推到 2027 之后：
顾客旅程层（5个）
| 场景 | 核心价值 | 优先级 |
|---|---|---|
| 售后客服 Agent | AI 处理 70-80% 对话，客服人力减少约 60% | P0 |
| 线上导购 AI 副驾 | 导购效率提升 30%，新人培训周期缩短 30% | P0 |
| 门店导购 AI 副驾 | 扫码即得产品知识卡片，线下转化率提升 | P1 |
| 会员运营 Agent | 生日/积分到期自动触达，会员复购率提升 10-15% | P1 |
| 个性化推荐 Agent | 小程序首页实时个性化排序，点击率提升 20-30% | P2 |
供应链层（5个）
| 场景 | 核心价值 | 优先级 |
|---|---|---|
| 智能补货调货 Agent | 缺货率降低 20%，AI 生成补货建议（人工审核） | P0 |
| 滞销预警 Agent | 自动识别高库龄商品，库存周转率提升 10% | P1 |
| 物流异常追踪 Agent | 在途延误主动预警，物流投诉率降低 30% | P1 |
| 新品铺货 Agent | 按门店画像分货，首周售罄率提升 15% | P2 |
| 供应商协作 Agent | 品牌方销售报告自动化，对接人效率提升 50% | P2 |
门店运营层（5个）
| 场景 | 核心价值 | 优先级 |
|---|---|---|
| 排班优化 Agent | 历史流量预测排班，建议模式不自动写入 | P1 |
| 门店 KPI 辅导 Agent | 店长每日经营健康度分析 | P2 |
| 陈列合规检测 Agent | 拍照上传，AI 检测品牌陈列合规，审计人力减少 60% | P2 |
| 库存盘点 Agent | RFID + AI 识别账实差异，盘点效率提升 70% | P2 |
| 设备维保 Agent | POS 机等设备预测性维护，故障率降低 20% | P3 |
人才发展层（4个）
| 场景 | 核心价值 | 优先级 |
|---|---|---|
| 员工培训 Agent | AI 模拟客户角色扮演，导购/客服新人培训 | P0 |
| 招聘筛选 Agent | 简历评分 + 面试预约自动化，招聘周期缩短 40% | P2 |
| 绩效反馈 Agent | 个性化绩效报告替代模板化月报 | P3 |
| 员工关怀 Agent | 离职风险预警，合规前提下员工情绪监测 | P3 |
营销增长层（5个）
| 场景 | 核心价值 | 优先级 |
|---|---|---|
| 内容生成 Agent | 产品文案/朋友圈内容生成，内容产出效率提升 10 倍 | P1 |
| 活动策划 Agent | 历史 ROI 驱动的活动方案草稿，策划效率提升 40% | P2 |
| 竞品监控 Agent | 竞对价格/新品自动追踪，市场响应速度提升 50% | P2 |
| 数据分析 Agent | 自然语言提问，自动生成分析报告（Text-to-SQL） | P2 |
| 品牌合规 Agent | 营销素材品牌规范检测，规避违规罚款 | P2 |
财务风控层（4个）
| 场景 | 核心价值 | 优先级 |
|---|---|---|
| 退货欺诈检测 Agent | 异常退货识别（连环退/以旧换新），欺诈损失降低 30-50% | P1 |
| 价格优化 Agent | 品牌授权区间内最优促销价，毛利率提升 2-3% | P2 |
| 财务预测 Agent | 月度/季度营收滚动预测，预算编制周期缩短 30% | P2 |
| 合规审查 Agent | 品牌授权合同合规检查，规避授权违规风险 | P3 |
28 不是用来"全做"的，是用来知道你没漏掉什么的。下面这一节把全表压缩到 4 个 P0。
二、那张"业务价值 × 技术复杂度"矩阵骗了 90% 的项目经理
我见过太多 AI 项目组合规划用同一张矩阵——纵轴业务价值、横轴技术复杂度、四象限分类。这张图的问题不是错，是太抽象——它没回答你"为什么这 4 个比那 24 个先做"。
真正的 P0 筛选要回答 3 个问题——
- 能不能算 ROI？ 业务价值要量化成具体金额或人力节省，不是"提升体验"这种模糊词
- 基础设施复用率高不高？ 这个 Agent 建设过程中打通的数据/接口/平台，能不能成为下 5 个 Agent 的地基？
- 错了能撤吗？ 如果上线后效果不达预期，撤回的代价是多少？
把 28 场景过一遍这 3 个问题——
+--------------------------------------+
高 | P0（立即启动） P1（下一批次） |
| * 售后客服 * 物流异常追踪 |
业 | * 线上导购副驾 * 退货欺诈检测 |
务 | * 员工培训 * 滞销预警 |
价 | * 智能补货 * 内容生成 |
值 +--------------------------------------+
| P2（第三批次） P3（远期规划） |
低 | * 门店KPI辅导 * 陈列合规检测 |
| * 个性化推荐 * 财务预测 |
| * 活动策划 * 设备维保 |
| * 会员运营 * 招聘筛选 |
+--------------------------------------+
低 高
技术复杂度/依赖度
P0 这 4 个的共同特征——ROI 能算、基础设施会被复用、错了能撤、6 个月内能验证。其他 24 个或者算不清账，或者要等基础设施，或者错了下不去。
判断 P0 的一句话： 这个项目做不出来，老板能不能在 6 个月后说"还好我们没全压上"——如果答案是不能，它就不是 P0。
三、先做客服不是因为它最简单——是它把整套地基逼出来
很多人质疑——"为什么不从更性感的场景开始，比如个性化推荐或动态定价？"
先把结论摆桌面上：客服 Agent 表面上是一个项目，实际上是你建整个 Agentic AI 体系的"地基安装计划"。
理由有三个，每个都对得上具体的可观察指标——
理由 1：ROI 算得清，不模糊
客服是零售企业里少数几个可以用月薪 × 人数直接算 AI 替代价值的场景——
- 客服人力是可量化的成本项（月薪 × 人数 × 12 个月）
- AI 处理 70% 对话 ≈ 减少 60% 人力
- 日均数千工单的企业，每年人力节省千万级
而"个性化推荐 +20% 点击率"的 ROI——从点击到成交还有 6-8 个转化环节，每个环节都能背锅，最后老板问"那 20% 到底带来了多少利润"，没人答得上来。
检测信号： 如果一个 Agent 项目的 ROI 计算需要 3 步以上的推理链（从 X 推到 Y 推到 Z 推到收入），它大概率不是 P0。
理由 2：基础设施复用率最高
客服 Agent 建设过程中必须完成的基础设施，恰好是后续所有 Agent 的公共地基——
客服 Agent 建设中打通的基础设施：
+-------------------------------------------+
| 数据中台 API（订单/物流/库存查询） |
| 标签工厂（客户画像/会员等级） |
| 三层知识库体系 |
| API 网关（统一调用层） |
| AI 编排平台工作流 |
+-------------------------------------------+
|
v
这些基础设施直接支撑后续 25 个 Agent 场景
你表面上在建一个客服 Agent，实际上在逼数据中台和标签工厂"活过来"。先建好地基，后续 P1-P2 的 Agent 交付周期会缩短 50% 以上。
理由 3：风险最可控——这是其他候选 Agent 给不出来的
客服 Agent 有 3 个其他场景没有的安全兜底——
- 转人工兜底： AI 不确定的可以随时转人工，不会造成不可逆损失
- 灰度验证： 从 10% 流量开始测试，逐步放量
- 效果可测量： 首次解决率、满意度、转人工率——每个指标都有明确的算法
补货 Agent 错了，可能直接库存积压或缺货——上线 24 小时内反应； 定价 Agent 错了，可能引发品牌方纠纷——一周内事故。客服 Agent 的错误成本是这三个候选 Agent 里最低的。
一个项目同时解决三件事——降本、建基础设施、验证团队能力。 这就是为什么先做客服。
四、出发前的 3 件事——没做完启动等于白烧钱
在动手之前，要对现有系统做一次客观诊断。漏掉任何一件，3 个月后你会回来打补丁。
| 系统/模块 | 你需要确认的状态 | 对 Agent 落地的意义 | 行动建议 |
|---|---|---|---|
| 企业微信客服 | 是否在用？API 权限是否开放？ | Agent 的接入端口，API 对接是必选项 | 确认 API 权限，评估调用频次限制 |
| 客服工单平台 | 现有 BOT 是否在运行？有无 KPI 追踪？ | 现有 BOT 是反面教材——上线后无人运维的典型结果。历史对话数据可复用 | 不依赖现有 BOT 做 Agent，但复用其对话日志数据 |
| 工单系统 | 是否独立供应商？与客服平台是否打通？ | 投诉升级、复杂问题转人工的关键路径 | 梳理工单系统 API，确定"转人工"触发条件 |
| 客服知识库 | 现有文档覆盖率如何？ | Agent 的燃料。没有知识库，Agent 只能靠模型自身记忆回答，准确率不可控 | 第一优先级建设（详见本系列第二篇） |
| 历史对话数据 | 存在哪个系统？数据量级？ | 最重要的原始资产：用于知识提取、训练数据生成、基准测试设计 | 立即申请数据导出权限，评估数据量与质量 |
| 人工客服评估 | 有无解决率/响应时长/满意度基线？ | 没有基线，就无法判断 AI 替代是进步还是退步 | 与知识库并行建立评估基准（详见下文） |
最容易被跳过的一步——建立人工客服基线
要特别强调一件大多数企业忽略的——建立人工客服基线，必须在 AI 上线前完成并冻结。
零售企业的客服系统大多没有系统性评估数据：没有首次解决率、没有平均处理时长、没有按问题类型分类的解决率。AI 上线后对话结构就变了，你再也拿不到"纯人工的基准"——AI 是否比人工好，永远无法证明。
3 个月后老板问"这 200 万投下去到底有没有 ROI"——你只能拿"人均处理量提升 X%"这种代理指标搪塞，没有真正的对照实验。
建立基线的方法（一周内可以做完）——
- 从客服平台抽取最近 3 个月数据
- 随机抽样 500 条对话，人工标注：问题类型、处理时长、是否首次解决、客户满意度、升级率
- 计算人工客服的核心指标作为基准
- 同时产出 TOP 50 高频问题清单——这就是知识库建设的优先级
检测信号：如果团队提议"先上线 AI 再建基线"——立刻喊停。 这是项目交付方最常用的"埋雷"动作，6 个月后你会发现 ROI 无法验证，只能再投钱回归测试。
五、第一周必须落的 5 个决策——3 个关于人，2 个关于钱
如果你决定启动客服 Agent 项目，第一周的关键不是技术，是组织决策。技术问题第二周再开始也来得及，下面这 5 个决策第一周不落地，3 个月后会变成项目阻塞——
决策 1：减员定位——是目标还是结果
减员是目标还是自然结果，影响的不是数字，是知识转移的速度。
如果对外口径是"AI 替代人工"——最了解客户的资深客服会在 AI 上线前主动离职，知识库建设失去最重要的输入源。我见过一家企业 3 个月内流失 6 个资深客服全部去了竞对，带走的 know-how 价值远超 AI 项目投入。
建议口径："AI 辅助提效"，减员是评估结果不是项目目标。 第一周就把这个话术对内、对供应商、对品牌方统一定调。
决策 2：AI 对内的定位——给客服团队一个不被替代的故事
- 对客服团队：定位为"效率工具"——AI 处理简单重复的，人工聚焦复杂高价值的
- 对品牌方：提前沟通品牌形象风险管控
- 对客户：评估是否标注"AI 回复"——透明 vs seamless
这不是公关话术，是 Agent 实际的运作方式。真正能跑到 65% 首解率的客服 Agent，剩下 30% 复杂工单还是要转人工——你需要这 30% 的人工有积极性。
决策 3：万元级探路预算——别一上来就批 200 万
AI 项目第一阶段（1-2 个月）的真实成本——
- AI 编排平台运行（云服务器）：1,500-2,000 元/月
- 大模型推理（验证阶段流量小）：500-1,000 元/月
- 向量检索/Rerank：500-700 元/月
总计万元级/月。
这个预算的核心目的不是"上线产品"，是"验证可行性 + 建设基础设施"。
检测信号： 如果供应商给你报 200 万的客服 Agent 项目——问他"前 8 周需要多少钱"，答不出来或者还是 30 万起，警铃响起。
决策 4：知识库负责人——必须是懂业务的人，不是研发
知识库建设最大的瓶颈不是技术，是内容质量——你需要一位懂业务的资深客服来主导内容（详见第二篇）。
第一周需要决策的不是技术方案，是这个人的激励——
- 这个角色是否从客服岗转为"知识库运营"岗位？
- 职级和薪酬如何对齐？
- 如果他做得好，3 个月后能不能晋升、转管理？
没有这层激励，你拿不到资深客服的全部 know-how——他会保留"压箱底"以保住自己的不可替代性。
决策 5：IT 资源——比研发周期还长的审批
Agent 需要对接订单、物流、工单系统，这些归 IT 部门管理。API 权限审批 + 测试环境获取 + 接口联调——这条路径往往比研发开发本身还慢。
我见过一个项目：研发 6 周开发完成，等 IT 审批等了 11 周才上线。
第一周就启动与 IT 的沟通——不要等知识库建完再去谈。 拿到接口文档清单 + 测试环境申请 + 关键 API 调用频次确认，这三件事第一周必须落地。
第一周 5 个决策回看一遍：3 个关于人（减员、内部沟通、知识库负责人），2 个关于钱和资源（预算、IT 支持）。 技术问题不是第一周的重点。
六、28 场景的依赖图——你建的不是 Agent，是地基
最后给技术团队一张依赖图。28 个 Agent 不是平行启动的，它们之间有严格的依赖关系：
【数据基础层】（所有 Agent 的地基）
数据中台激活（只读 API）
| 解锁
+-- 订单/物流 API --> 售后客服 Agent（物流查询功能）
+-- 库存 API --> 补货 Agent、新品铺货 Agent
+-- 销售数据 API --> 滞销预警、财务预测、门店 KPI 辅导
标签工厂动态化（只读 --> 实时回写）
| 解锁
+-- 只读阶段 --> 线上导购副驾（个性化）、会员运营 Agent
+-- 动态回写 --> 个性化推荐 Agent、精准营销
【知识库层】（客服相关 Agent 的地基）
三层知识库（200 --> 800 --> 2000+ 条 Q&A）
| 解锁
+-- Layer 1 --> 退换货政策类问题自动处理
+-- Layer 2 --> 产品咨询自动处理、门店导购副驾
+-- Layer 3 --> 投诉处理、员工培训场景
【Vision 能力层】（图像类 Agent 的地基）
多模态模型接入
| 解锁
+-- 质量投诉图片分析（售后客服强化）
+-- 陈列合规检测 Agent
+-- 品牌合规审查 Agent
P0 的 4 个 Agent（售后客服、线上导购、智能补货、员工培训），它们的建设价值——
- 一半在 Agent 本身（降本 + 体验提升）
- 一半在逼数据中台和标签工厂"活过来"
这套基础设施一旦激活，后续 P1-P2 Agent 的交付周期会缩短 50%。当你和供应商谈"建一个客服 Agent"——你其实是在为整个零售 AI 体系付前置成本。
这篇之后
如果你想把"28 场景判定 + 第一周 5 决策"立刻用到下次内部战略会议——不用每次开会都翻这篇——我整理了一个 PDF 工具包给读到这里的读者。回复关键词「零售 28 场景」，我把工具包发给你：
- 28 场景优先级判定表（一页 A3 印刷版，30 秒看清整个项目组合的 P0/P1/P2/P3）
- 第一周 5 决策对照清单（卡片版，5 张卡——决策、风险、负责人、产出，团队群里一发就懂）
- 客服 Agent vs 其他候选 Agent 的 6 维对照表（评审供应商方案专用）
回复渠道见页脚（公众号 / X）。不方便回复的，评论区留邮箱也行。
下一篇：知识库怎么建、模型怎么选、钱花在哪
第二篇会解决三个最痛的技术架构问题——
- 三层知识库怎么建？为什么"把文档丢进向量数据库"会让你 3 个月白干？
- 国内模型 vs 海外模型的真实差距在客服场景里是哪 4 个具体能力？
- AI 客服的四块成本——推理、人员、基础设施、集成——分别多少钱，最容易被低估的是哪一块？
系列目录：
- 本篇 | 第一篇：你的 28 场景清单里，应该先做哪 4 个
- 第二篇：知识库架构、模型选型与成本真相
- 第三篇：运维闭环、安全机制与 CEO 决策清单
Subscribe for updates
Get the latest AI engineering posts delivered to your inbox.