便利店每天都要处理一组相互牵制的目标：饭点商品要齐，鲜食报废要少，员工动作要快，顾客购买要方便。任何一个数字单独变好，都未必意味着这家店经营得更好。

少订货可以降低报废，却可能让午餐高峰提前断货；缩减工时可以提高销售人效，却可能让已经到店的商品迟迟没有上架。讨论 AI 的价值，需要把这些指标和它们背后的工作一起看。

对便利店而言，我更看重大模型能否帮助门店更快查清问题、正确完成作业，并让改善反映在商品贡献上。这也是本文讨论 AI-Native 的起点。

先明确：大模型参与的是哪一部分工作

本文所说的 AI-Native，是围绕大模型的理解、交互、推理和工具使用能力组织工作。它可以读取交接记录，理解总部通知，查询经营数据，提出必要问题，协助形成任务，并根据执行反馈继续处理。

需求预测、价格弹性和库存优化仍有各自的模型与计算方法。大模型可以调用这些能力，但一个预测系统加上聊天界面，并不能据此认定经营改善来自大模型。

更适合研究的，是这些环节之间的信息与执行问题：一条配送说明没有进入订货判断，一次货架缺货没有得到及时核实，一份活动通知没有变成当班员工能完成的动作。

要解决这类问题，大模型需要连接适用的知识、可信的数据和具体工具。数字计算、价格规则、库存记录及交易校验继续由确定性程序和业务系统承担。技术实践也强调根据任务复杂度选择检索、工具和工作流，从简单方案开始。Anthropic：Building Effective Agents

从核心指标向下，找到可以改变的动作

便利店的指标可以从经营结果逐层拆到现场：单店贡献取决于销售、商品毛利、损失和费用；这些项目又受到有货、订货、上架、临期处理、服务及工时安排的影响。

大模型的价值应沿同一条路径验证：先看一项工作是否做得更好，再看过程是否改善，最后核对经营结果。

核心指标值得检查的现场问题大模型可参与的工作首先验证什么
饭点有货率迟到、迟上架、库存状态不清综合记录查证，跟进缺货处理缺货恢复时间、实际可售状态
鲜食报废与贡献商品、批次或售卖时段不匹配关联报废和售卖记录，跟进已批准处置同批次售出、报废成本与贡献
人工效率查文件、反复问人、交接遗漏提供适用步骤，整理和跟进待办含核验与返工的总工时
客单与交易找货困难、搭配选择耗时理解购买任务，查询商品并提出组合购买完成、用时与商品贡献
促销贡献条款理解不一、价签和收银不一致转换活动任务，核对冲突并跟进执行差错、相关费用和净贡献

例如，本文把即食餐食与日配食品合称鲜食；落到门店时，还需要继续按具体品类、保质期和批次分析。一个乳品销量增长带来的总体报废率下降，不能证明便当报废得到了改善。

鲜食：把“午餐缺货、晚上报废”查清楚

设想店长提出这样一个问题：“中午顾客总说便当没了，为什么晚上还有不少报废？”

这句话背后可能是不同商品的供需错配，也可能是同一种商品到得太晚，或者已经收货但没有及时上架。原因还可能藏在交接语音、配送说明和库存状态里。把总销售与总报废放在一起，并不足以判断该加订还是减订。

一个围绕这个问题设计的 AI-Native 工作流程，可以先确认门店、时段、商品与批次，再查询销售、收货及报废记录，读取当班交接。它需要把已核事实与原因假设分开；缺少上架记录，就向对应人员补问，不能把猜测写成结论。

查证后，系统可以在预设权限内协助形成具体任务：核实库内可售商品、补充货架、协调到货时间，或把特定商品列入下一次订货复核。每件事都有负责人、期限和完成证据。后续再检查货架是否恢复有货、相同问题是否复发。

这里的改善机会在于缩短从发现异常到正确处理的时间。真正补货、收货和上架的仍是现场人员；如果约束来自配送能力或包装批量，还需要相应业务负责人改变条件。

因此，评价这个应用，要同时看饭点有货、报废成本和报废后的商品贡献。下面这个教学算例说明了原因，所有数字均为假设，并非行业基准或项目成果。

假设已售鲜食毛利率均为 40%，报废尚未计入已售成本，其他费用不变；报废成本率按报废采购成本除以鲜食销售额计算。

项目原状态A：销售不变、报废减少B：报废减少，同时少卖
鲜食日销售额4,000 元4,000 元3,600 元
已售商品毛利1,600 元1,600 元1,440 元
报废成本率5.0%3.5%3.5%
报废成本200 元140 元126 元
报废后商品贡献1,400 元1,460 元1,314 元

两个情景的报废率都下降了 1.5 个百分点，贡献却一个增加 60 元，一个减少 86 元。表中的贡献还没有扣人工、租金等费用。对于 AI 应用，报废率下降只能算一个观察结果，经营价值需要把少卖、折价、执行成本一起算清楚。

人效：让交接与作业知识进入日常工作

再看一个假设情境。晚班留下交接：“饮料到了还没拆，A 商品价签没换，设备报修还没有回复。”

大模型可以把这段口语整理成几件独立待办，补齐不明确的对象，让下一班接到仍需处理的事项。员工执行时，还可以按当前设备、门店和制度版本查询操作步骤。遇到条件不适用或信息冲突，再转给对应负责人。

这样的价值来自少遗漏、少查找和少返工。对于新员工，重要的是能否正确完成任务；对于店长，重要的是是否减少反复解释和追问；对于门店，重要的是省出的时间能否用于上架、服务等工作。

Target 的 Store Companion 提供了一个明确的生成式 AI 应用参照：其公开材料介绍了门店流程问答和新人辅导，并在后续材料中继续列举这项工具的使用。这说明作业知识进入一线工作已有企业实践，但不能据此推算便利店能减少多少员工或报废。Target：Store Companion、Target：后续应用介绍

人效评价也应覆盖完整工作。模型回答用了几秒，还需要加上员工核验、实际操作和可能返工的时间。释放工时与减少人工支出是两种结果，应分别记录。

销售与毛利：帮助员工执行，也帮助顾客完成购买

在促销中，大模型可以理解总部通知中的日期、商品范围和例外条款，生成本店准备事项，核对通知、价签与收银规则的冲突。它也可以整理一线反馈，帮助负责人发现活动执行中的障碍。这类应用首先应验证执行差错是否减少，再检查活动贡献，而非只比较文案生成速度。

订货前也存在相似机会。周边学校停课、办公楼活动或道路施工等已核实信息，可以被整理为带日期和影响范围的情境提示，帮助负责人复核相关商品。具体调整多少，仍需要数量依据，不能仅凭一条通知推导“最优订货量”。

在顾客端，大模型可以处理“25 元以内，方便带走的一顿午餐”这样的购买任务，结合本店商品、价格与可售情况，提出少量组合或替代选择。它的价值应体现在顾客更容易完成购买，以及相应商品贡献上。

便利购物尤其需要关注速度。对于已经知道要买什么的顾客，快捷搜索可能更合适。如果对话增加了等待和退出，聊天次数再多也不能说明经营改善。

把大模型的增量价值测出来

选择第一个场景时，我建议同时考虑经营距离和数据条件。已有分时销售、收货、报废与交接记录的门店，可以优先研究鲜食异常处理；如果这些记录还不完整，但操作手册和版本管理比较清楚，可以先从作业辅导与交接入手。

验证时，可以分三层观察：

  1. 工作是否可靠。 事实、适用规则和任务对象是否正确，是否出现漏项、错误操作或重复任务。
  2. 过程是否改善。 包括核验和返工在内的总时间是否减少，缺货是否更快恢复，任务是否按时完成。
  3. 经营是否受益。 商品贡献、有货率、真实费用与现金是否改善，是否只是把成本转移到其他岗位或环节。

还要区分数据打通、普通工作流与大模型各自的作用。条件允许时，可以比较当前人工流程、接入同样数据与任务管理的普通软件流程，以及在此基础上加入大模型的流程。这样才能知道，大模型究竟增加了多少价值。

工具费用、数据维护、人员复核和错误返工都应进入评价。试验需要覆盖成功和失败的使用情况；有合适条件时采用可比门店或分阶段对照，避免把旺季、促销和其他改进带来的变化全部归给 AI。

对便利店来说，一个值得作为起点的目标可以很具体：让午餐时段的一次鲜食缺货更早被发现、更快被查清、更及时地处理，并在报废与贡献上检查结果。当这样的工作能够持续、可靠地完成，AI-Native 才有了可核验的经营价值。