来伊份 × AI

[导语·核心观点]2024年6月，证券时报报道来伊份正以AI求解线下门店选址，配合“万家灯火”加盟扩张战略；同期第四范式案例页称，双方将AIOS、天枢等能力用于供应链、线上运营与门店选址 [1][2]。核心判断：这是一次标准的“战略叙事”——AI被用来为扩张背书，但公开证据止步于合作框架与内部人士表态，没有金额、订单与效率指标。为何重要：当“用了AI”被当作增长故事讲，投资者需要把“采用”与“回报”分开计价。

[事件回顾·发生了什么]两条材料构成本次叙事的两端。媒体端，证券时报2024年6月4日报道引述来伊份内部人士称，公司持续推动“万家灯火”战略落地、大力拓展加盟门店，并借助AI技术获得线下门店选址拓展的“最优解”，以占得经营先手 [1]。这段表述提供三项信息：战略方向是加盟扩张、AI的应用场景之一是选址、预期效果是“先手”。企业端，第四范式案例页称，双方依托其新发布的企业级AI操作系统AIOS、线上智能运营系统“天枢”以及AI算力平台，实现来伊份在供应链管理、线上运营、门店选址等多个业务场景的落地 [2]；该页面同时把来伊份定位为其零售场景合作方 [2]，性质上属于厂商侧标杆案例展示。两条材料均未给出合作金额、部署周期、覆盖门店数量，也未给出任何可量化的效率或业绩结果。换言之，目前可核验的事实是“合作存在、场景被列举”，而不是“效果被验证”。

[背景与格局·公司沿革 · 行业脉络]来伊份是A股休闲零食连锁企业，长期以直营门店为主，近年把增长押注在加盟模式上——报道中的“万家灯火”战略即指向加盟门店的大规模拓展 [1]。这一选择决定了它对选址的敏感度：直营模式下开错店的成本由公司承担；加盟模式下选址建议由总部输出，资本开支与经营风险则由加盟商承担。总部对“选得准”的诉求反而更强，因为加盟商存活率直接决定后续招商的说服力。这是AI选址在加盟体系里被反复提及的结构性原因（分析判断）。技术供给侧，第四范式发布企业级AI操作系统AIOS、线上智能运营系统“天枢”及AI算力平台，并把来伊份列为零售场景合作方 [2]。从产品命名可看出定位：不做单点模型，而做“操作系统+场景系统+算力”的打包交付——对零售企业意味着采购的不是一个算法，而是一套需要配套数据治理与组织流程的体系。放到行业格局看，休闲零食正经历渠道结构变化，量贩渠道与线上比价压缩了传统连锁的毛利空间（此为分析判断，本文所据报道未提供相关数据）。在此背景下，“科技牌”对连锁零食企业有两重意义：真实的降本增效，以及资本市场与招商层面的叙事价值。二者并不冲突，但必须分开计价。

[深度解读·为什么发生 · 意味着什么]为什么是现在？加盟扩张是一门“以开店速度换规模、以单店质量换口碑”的生意。当开店目标被写进战略名称（“万家灯火”），选址就从运营细节升级为战略瓶颈：开得越快，越需要一套可复制、可辩护的选址标准，否则加盟商亏损会反向吞噬招商信用。AI选址的价值不在于“比人聪明”，而在于把选址从个人经验变成可批量执行、可事后归因的流程——出问题时能分清是数据错、模型错还是执行错（分析判断）。但“最优解”这个词值得警惕：门店选址本质是概率问题。给定客流、租金、竞品密度，模型输出的是期望值排序，而非确定的胜负。称其为“最优解” [1]，传播上更有效，方法论上并不严谨——样本外表现、商圈生命周期变化、加盟商自身运营能力，都会让“最优”退化为“当时看起来最优”。谁受益？最直接的是技术供应方：第四范式把一个连锁零售品牌写进案例页 [2]，等于获得一张可向其他零售客户复用的背书，其AIOS与天枢的销售阻力会下降。其次是来伊份的叙事层：在需要说服加盟商与投资者的扩张阶段，“AI赋能” [1] 是一种低成本、高感知的信号。至于加盟商与股东能否实际受益，取决于三个未被回答的问题：模型用了多少年、多少门店的历史数据？上线后新店存活率与老店相比有无差异？采购与运营成本摊到单店是多少？还有容易被忽略的组织变量。AIOS这类“操作系统+场景系统”的架构 [2]，隐含前提是企业已有可用数据底座与跨部门流程。对以直营起家、正在快速加盟化的零食连锁而言，数据分散在门店、经销商与线上平台之间，治理成本往往高于模型成本。更可能出现的情形是：门店选址先跑通，供应链与线上运营长期停留在局部试点（分析判断）。这不是失败，而是企业级AI的常态节奏——只是它离“智慧零售新范本” [2] 还有相当距离。

[关键数据与证据·来自报道的数字与事实]按可核验程度排列：①战略方向——来伊份内部人士称公司持续推动“万家灯火”战略落地、大力拓展加盟门店 [1]，属方向性事实，但无门店数量与时间表。②应用场景——AI用于线下门店选址拓展，以求“最优解”、占得“经营先手” [1]，场景明确，效果为定性表述。③合作对象与技术栈——合作方为第四范式，涉及AIOS企业级AI操作系统、天枢智能运营系统与AI算力平台 [2]。④落地范围——供应链管理、线上运营、门店选址等多个业务场景 [2]，“多个”为概数，未列优先级与完成度。⑤合作性质——来伊份被列为第四范式零售场景合作方／成功案例 [2]，来源为企业自述的营销材料，证据等级较低。缺口同样清楚：没有合作金额、没有部署起止时间、没有覆盖门店数、没有效率提升百分比、没有对营收或毛利影响的测算。按“宣称—证据”落差衡量，目前处于“场景被列举、效果未量化”阶段。

[风险与争议·审慎的批评视角]第一，来源结构问题。两条材料的性质分别是“公司内部人士对媒体的表态” [1] 与“技术供应商的案例页” [2]：前者是被访者自述，后者是商业营销内容，都不构成对效果的独立验证，文中没有任何第三方审计、学术评估或可复现指标。第二，措辞夸大。“最优解” [1] 与“智慧零售新范本” [2] 都是结论性表述，跳过了“在什么约束条件下、相对什么基线、提升了多少”的必要交代。当一家上市公司的AI叙事只由形容词构成，应归入“意图披露”而非“业绩披露”。第三，商业风险落在加盟商身上。加盟扩张的有效性取决于单店回报，若选址模型的实际表现未被跟踪披露，风险实际由加盟商承担，而招商端宣传由总部完成（分析判断）。这类风险不会立刻出现在报表里，却会在两三年后的关店率与招商口碑中体现。第四，“试点陷阱”。企业级AI项目最常见的结局不是失败，而是停在试点：选址跑通，供应链与线上运营因数据治理与权责划分而搁置 [2]，既消耗预算，也消耗组织对AI的信任。第五，信息披露边界。就本文所据两条报道而言，未见金额与收入贡献披露；对上市公司而言，AI投入若达到重要性水平理应在定期报告中有所体现，投资者可将其作为核对锚点（分析判断）。此外，门店选址涉及客流与消费行为数据，跨主体（技术供应商）流转时的数据权属与使用边界，公开材料未作说明 [2]。

[未来展望·情景推演]保守情景：选址模型在部分区域上线，作为决策辅助而非决策替代，供应链与线上运营维持试点。此情景下AI对报表影响接近于零，“科技牌”的收益主要体现于招商与品牌叙事（分析判断）。中性情景：选址模型在加盟扩张的主战场（新城市、新商圈）稳定使用，形成内部可复用的评估标准，新店首年存活率相对可比门店出现可观测改善——但这一改善很难单独归因于AI，因为它与选址标准、加盟商筛选、区域运营支持同时变化；企业若想证明价值，需在立项时设置对照组（分析判断）。乐观情景：AIOS与天枢的部署反向推动数据治理，门店、线上与供应链数据被打通，需求预测与库存周转随之改善 [2]，并沉淀为可对外输出的零售数字化能力；其前提是组织投入与三到五年的耐心，而非一次签约。三种情景的共同点是：短期内不会出现可验证的财务结果。因此观察窗口应放在下一份年报的管理层讨论、加盟门店存续率，以及第四范式是否会把这一合作升级为可公开引用的量化案例 [2]。

[建议与启示·面向决策者]给正在评估类似项目的企业决策者四条。一、把项目写成可核验的KPI再签合同：“提升选址准确率”不是KPI，“新店12个月存活率相对对照组提升X个百分点、归因口径事先约定”才是；写不清对照组的AI项目，几乎注定无法验收。二、先小范围验证归因，再谈规模化：选三到五个城市做对照，把模型建议与实际开店结果对齐，观察至少一个完整的开店—养店周期；这会拖慢节奏，却是把“宣称”变成“证据”的唯一路径。三、把加盟商利益写进评估：若建议由总部输出、风险由加盟商承担，就必须建立回溯机制——模型推荐门店表现如何、失误如何补偿，否则AI只是转移风险而非降低风险。四、为多系统协同预留架构：第四范式交付的是AIOS+天枢+算力的组合 [2]，这类企业级AI的瓶颈通常不在模型，而在多个系统与多个智能体之间的任务编排、权限与数据流向；AgentSH 这类多智能体调度平台的定位正在于此——不生产模型，而是管理选址、补货、线上运营等不同智能体的调用顺序、数据边界与人工复核节点，让“多个场景”不至于变成多套孤岛。对连锁零售企业，这层编排能力往往比再买一个模型更稀缺。最后给投资者一条三问清单，逐季核对：是否披露金额、是否披露对照结果、是否在定期报告中出现。

[结语·一句话立场]来伊份用AI选址不是噱头，加盟扩张确实需要一套可复制的选址标准；但“最优解”与“智慧零售新范本”目前是宣称，不是证据 [1][2]。在金额、订单与效率指标缺位的情况下，最理性的读法是：这是一次方向合理、验证不足的合作。它的价值不取决于新闻稿写得多好，而取决于两年后加盟门店的存活率能否被拿出来做对照。