智能体AI赋能的商户将减少汇报时间，增加战略规划时间。但实现这一目标需要新的角色和工作方式。
想象一下，你是一名零售商户或品类经理，刚刚聘用了梦寐以求的分析师。无论你分配什么任务——定价分析、品类诊断、供应商材料起草等等——他们都能以严谨、准确和惊人的速度完成。他们时刻关注业务动态，即使在周末和节假日也不例外。他们积极主动，从海量绩效数据中筛选出潜在问题，向采购员发出预警，并在你提出要求前就提供必要的干预建议。
现在，想象一下你为每一位采购员配备了20名这样的分析师。这就是智能体AI系统（能够自主规划、行动和学习的、目标驱动的AI系统）为零售商品管理带来的新现实。¹ 决策不再需要遵循静态的每周周期，因为AI智能体可以持续调整品类、优化定价、改进促销活动，并提供丰富的实时洞察。
智能体AI对零售商品管理的影响可能是深远的。历史上，商户角色需要将大量时间和精力投入手动、重复性任务中。通过将这些任务交给AI智能体，商户² 可以节省高达40%的时间，专注于他们最擅长的工作：制定战略、寻找优质产品、理解客户需求以及优化供应商谈判。³ 早期采用智能体AI的企业已经看到了这一新前沿的好处，通过更精准的品类决策和数据支持的议价能力，实现了收入和利润的显著提升。
然而，我们与全球零售商的合作表明，大多数企业尚未准备好迎接这一变革。尽管大多数零售商品管理团队已投资自动化工具⁴ 并尝试使用AI，但麦肯锡的一项新调查显示，71%的商户表示，AI商品管理工具目前对其业务的影响有限甚至没有影响。⁵ 挑战往往不在于技术本身，而在于技术的整合和使用方式。系统仍然分散，数据过于混乱无法提供有效建议，且应用程度不均：61%的受访者表示，他们的组织在商品管理领域规模化应用AI的准备程度“完全不足”或“仅略有准备”。
本文探讨了智能体AI这一新前沿如何克服这些挑战，从根本上改变商品管理职能，以及零售商需要做些什么才能充分发挥这项技术的潜力。
从现代化到变革的跨越
零售商已通过自动化工具和分析型AI逐步实现了商品管理职能的现代化。⁶ 这些技术带来了一些收益：自动补货减少了人工工作量，预测模型开始提升预测准确性，定价引擎能够模拟过去需要数周迭代的场景。
这些能力使商品管理更加数据驱动。然而，变革远未完成：调查受访者告诉我们，他们仍然将40%的时间用于完成低价值任务（例如数据系统整合和绩效报告所需的重复性表格工作）以及协调分散系统中的数据。即使商户使用AI，也很少将其应用于最能发挥作用的活动中（图表1）。⁷
图表1
部分挑战在于自动化和生成式AI⁸ 的运作方式。这些工具处理不完整的数据，使用算法填补空白并推断分散系统之间的联系。尽管大型语言模型能够处理非结构化文本，但这些技术难以应对分散的商业数据，例如冲突的SKU文件和不一致的定价历史。它们的输出结果往往不一致。
这类结果对于方向性洞察尚可，但不足以支持日常决策。生成这些结果还需要大量的前期系统集成和人工监督，造成摩擦，限制了有效性和信任度。配置和解读自动化工具及生成式AI的结果，往往意味着商户花费更少时间从事能推动业务进展的工作。
智能体AI改变了这一动态。首先，智能体能够更有效地处理混乱的数据。它们可以自主清理和整合信息，并且重要的是，每个周期都能变得更好。其次，智能体能够大规模生成和测试场景，使用自然语言实时运行和完善分析，同时提高可解释性。⁹ 第三，跨职能的AI智能体可以协同工作，创建一个从供应商到货架的简单自动化工作流程，提升跨职能的可见性和协作。
这些能力——自主数据改进、可扩展的场景生成、工作流程自动化与编排、跨职能和跨领域优化，以及作为变革管理驱动力的可解释性——使智能体AI比其前代AI更强大。商户可以使用能够持续学习、执行决策并随着数据和模型演变自动改进的智能体，早期采用者已经开始亲身体验到这一点。
智能体AI赋能商户的一天
要理解智能体AI如何深刻改变商品管理，可以看看一位智能体AI赋能商户的一天是如何度过的。虽然具体影响因行业而异，但以下示例描述了一位假设的杂货品类经理——我们称她为“娜塔莉”——如何使用智能体AI彻底重塑她的一天。类似的转变也适用于服装、电子产品和一般商品领域。
目前，娜塔莉的工作时间主要围绕手动规划和不断的“救火”式调整。预测工具和早期AI模型支持她的规划工作，但它们的输出是静态的，需要手动验证，很少指导日常决策。娜塔莉往往在价格、利润或库存方面发现绩效差距时为时已晚，迫使她被动地解决问题，做出更多基于事后反思而非前瞻性的决策。这让她几乎没有时间进行战略规划和前瞻性思考。
有了智能体AI，这种节奏完全改变，将原本可能需要一周的工作压缩到一天。
实施智能体AI后，娜塔莉的周一从早上8:30开始，她首先审阅信号简报，这是智能体AI生成的统一、优先级排序的仪表板（图表2）。娜塔莉不再滚动浏览销售报告，而是清楚地看到需要采取行动的地方：一款能量饮料促销活动表现不佳，几家城市门店存在定价差异，季节性零食出现了降价机会。几分钟内，她直接在系统中批准了智能体推荐的变化。这些批准会触发特定领域的智能体重新分配促销预算、调整本地价格以恢复公平性，并在受影响的门店之间重新平衡库存。
图表2
接下来，跨职能的每日决策短会取代了娜塔莉每周的领导绩效评估。绩效评估可能只持续30分钟，但团队需要提前花费数小时整理绩效报告、协调冲突的报告或辩论上周业绩的根本原因。每日短会同样可能持续30分钟，但重点在于决定立即采取哪些智能体AI推荐的动作，从而消除了后续研究或额外决策会议的需要。
到上午9:30，娜塔莉进入品类审查环节，智能体已经验证了提升预测、对展示捆绑进行了A/B测试并模拟了定价结果。她不再手动策划下一个营销活动，而是批准AI建议的策略，例如测试一个新的捆绑媒体促销活动，将产品捆绑与选定门店的定向广告投放联系起来。
然后娜塔莉转向更高层次的任务：审查公平性指标，确认定价符合公司指导原则。在这种未来状态下，智能体会自动将因果洞察输入系统（例如，一个洞察可能是东北地区的缺货商品导致了35%的利润损失），因此不再需要固定的周中绩效评估。
中午时分，在一次供应商战略会议上，娜塔莉带着AI智能体生成的基准数据进入谈判。智能体提供实时的供应商成本趋势、利润预测以及先前促销活动的增量提升数据。它还拟定了与供应商谈判的具体要点，以及相关的奖惩条款。
这些会议曾经是季度性的，专注于过去的结果（仅提供新行动的高层概述），现在则成为滚动式供应商增长理事会会议的一部分，这些会议具有前瞻性，每月举行。团队使用智能体AI发掘新的合作伙伴关系和媒体机会，将供应商沟通从交易性更新转变为联合增长规划会议。
实时仪表板会标记货架合规性和顾客参与度，为娜塔莉当天晚些时候的门店巡视提供信息。下午4:00，她不再处理门店或供应商的升级问题，也不再为明天的会议准备报告，而是以日终回顾结束一天的工作，其中包括AI智能体所学内容的简短总结、自动调整的项目以及仍需人工输入的决策。在娜塔莉批准后，智能体已经执行了补货例外处理、价格测试和促销更新，结果将反馈到第二天的模型中。
在这种未来状态下，娜塔莉曾经用于决策的关键手动任务中，高达60%可以实现自动化或标准化。利用这些额外时间，娜塔莉可以专注于战略性品类和业务规划，或深化客户洞察——这两个领域正是商户告诉我们他们会重新投入新获得的能力的地方。
重塑的角色和工作方式
智能体AI带来了速度和精确性，但其影响力取决于人员和流程的同步演进。对零售商而言，这意味着重塑组织本身：扁平化层级、重新定义角色、引入新的运营节奏，并重构端到端的流程。
智能体AI升级的组织架构图
智能体AI可能重塑商品管理团队的构建方式。传统上，品类团队由几名助理品类经理和分析师组成，并得到商品分析、定价、促销、空间规划和库存等职能合作伙伴的支持。未来，AI智能体将为商品管理团队提供24/7的自动化支持，使团队成员能够重新部署到更高价值的领域，例如跨职能协调。
AI智能体小组将为每位品类经理提供分析和建议。一位品类数据合作伙伴，连同商品运营职能负责人（例如负责定价和促销的人员），将协调智能体的工作。他们还将制定跨品类的智能体政策和指导原则。
重新定义的角色和职责
在变革后的品类团队中，品类经理将成为该品类的战略协调者。他们仍将制定品类和客户战略，但现在还将为AI智能体设定方向、指导跨渠道品类管理，并直接与客户和合作伙伴沟通。品类经理的新职位描述将涵盖新的能力，包括理解AI指导原则治理和公平性政策、智能体协调、辅导和提示词纪律。¹⁰ 这些能力需要大量培训：在我们的调查中，只有24%的商户表示他们的组织目前提供中度到广泛的AI技能提升培训。¹¹ 但它们也将重新聚焦于基础工作：制定战略和构建品类，而不是生成报告和应对问题。实际上，商户将再次成为商品管理的核心。
品类支持角色的员工也需要重新培训。一个新角色将是品类数据合作伙伴，负责执行品类经理设定的方向。此人将成为“智能整合者”，连接数据管道和AI智能体，验证模型并确保洞察推动商业成果。该角色需要深厚的数据素养、因果推理能力以及将分析转化为商业行动的能力。数据合作伙伴必须理解偏见检测和治理，以维持对AI驱动决策的信任。这将与助理品类经理通常从事的工作（例如报告生成）不同，转向涉及支持和优化AI智能体的工作。
零售商还应创建专注于跨职能激活和供应商成功的新角色。这些团队成员（可以是重新培训的前助理品类经理或全新招聘的人员）将确保AI智能体推荐的动作在整个组织中得到执行。例如，如果智能体识别出门店级别的缺货风险，跨职能激活负责人将与门店运营协调执行补货。或者，如果智能体发现高投资回报率的促销活动，该团队成员将与营销部门合作确保正确的数字或店内投放位置。如果智能体标记出与供应商的机会，供应商成功负责人将与供应商合作调整资金、更新条款或共同开发新优惠。这些同事必须能够解读AI输出，将其转化为清晰的商业行动，并与内部合作伙伴和供应商有效协作。
如今，商品运营经理负责监督支持品类级别定价、促销和陈列工作的分析师团队。未来，他们将制定更广泛的、公司层面的战略，以及智能体指导原则和政策（例如最高涨价幅度、促销规则和跨品类策略）。该角色所需的技能将包括智能体协调和管理能力，而不仅仅是传统的人员管理技能。商品运营领导者将与信任和政策管理员（也是一个新角色）密切合作。这些信任和政策工作人员将确保AI行动符合公平性和合规标准，随着系统演进更新政策，并能够识别哪些智能体可能运行不正常并在需要时重置它们。
采用智能体AI时应避免的陷阱
要在商品管理中实现智能体AI的全部价值，需要重构一个涵盖六个维度的运营模式：战略与价值、运营模式、人才、技术、数据和采用。¹² 商品管理领导者应优先重新设计工作流程、更新角色和成功衡量标准，并培养解读AI输出和与智能体合作所需的技能。
没有这个基础，即使设计良好的智能体系统也可能无法发挥其潜力。但我们也看到，零售商品管理领域的早期智能体AI采用者面临一些常见陷阱：
无政策自动驾驶（在公平性、品牌和价格阈值未编码化之前激活AI智能体）可能导致货架定价不一致和促销活动不匹配。顾客会迅速发现并抱怨这些定价不一致，威胁客户忠诚度。
系统倒退（由于惯性或零散的技术采用而恢复手动工作、旧电子表格或遗留工具）可能抵消智能体AI提供的效率提升。团队应致力于使用单一、可信的系统，而不是在多个系统之间切换以收集绩效洞察或执行变更。
点击率幻象出现在商户配置AI智能体以实现短期收益（如客户参与度和促销提升）而非长期品类健康时。商户和品类数据合作伙伴应配置智能体专注于对品类盈利能力有实质性影响的因素，例如单品级别的利润差异。
变革疲劳发生在团队被要求采用新的工作方式但没有明确的角色或成功衡量标准，同时仍需在没有先前支持的情况下维持旧的报告和会议惯例时。
安全疏漏（使用不在公司防火墙后的生成式AI或智能体AI工具，或忽视治理政策）可能暴露敏感数据并破坏信任，因此必须保持人在循环中并执行负责任的AI协议。
为避免这些陷阱，零售商应采用分阶段的方法实施智能体AI。一旦AI智能体在受控环境中产生可靠的输出，我们建议在一个小型业务单元中试点新的结构和工作方式，以测试设计、展示价值并在更广泛推广前验证智能体的有效性。
有了智能体AI，零售商的商品管理职能成为一个持续学习的系统。人类判断定义优先级，AI智能体处理分析和执行，智能体洞察每天反馈到人类主导的战略中。虽然商户角色始终需要艺术与科学的结合，但智能体将使工作更具成本效益、更快速、更智能。结果如何？商户重回中心位置，减少解释过去的时间，增加塑造未来的时间。
关于作者
安格斯·麦夸特是麦肯锡多伦多办事处的合伙人；克劳斯·海因策勒是柏林办事处的合伙人；丹尼尔·洛伊布利是苏黎世办事处的高级合伙人；戴姆夫克·凯珀斯是波士顿办事处的高级合伙人，莫拉·戈德里克是该办事处的合伙人；谢尔盖·康德拉秋克是伦敦办事处的合伙人；扎卡里·约翰是西雅图办事处的高级合伙人。
作者感谢 Alexandra Paré、Rachel Sandri 和 Teresa Hernandez 对本文的贡献。
麦肯锡宣布将裁员约 10%，这不仅仅是经济衰退期间的简单成本调整，更是一个明确的信号，正如我一段时间以来一直说的那样，传统的战略咨询模式已经基本过时了。正如《快公司》在其对麦肯锡现状的分析中所解释的那样 ，这不仅仅...
.麦肯锡公司已迅速扩大其员工队伍拥有大约 25,000 名 AI 代理。麦肯锡首席执行官 Bob Stenfels 表示，他希望 AI 代理与其所有 40,000 名员工一起工作...
下一步该怎么走？来自自动驾驶汽车专家的见解...