从超级个体到智能组织，京东零售产研如何重构 AI Native 零售？

一个已经能跑的 AI demo，被我在评审会上叫停了。资料接进去了，Skill 也跑起来了，结果看着像那么回事，但权限、状态、人工确认，以及专业判断缺位后的风险，都没接进去。后来看到京东零售产研在 JDD 大会零售论坛现场讲到 GMV 增长 10% 的假设，我发现，这两个场景卡住的地方很像。

每个部门都有自己的答案，为什么公司没有共同答案？

这个假设里，广告、流量、新品、商品装修等环节，都可以让 AI 给出各自的优化方案。

每套方案单独看都有道理，放在一起却可能互相打架。每个环节都按照自己的指标往前跑，不代表公司正在朝同一个目标前进。

所以我觉得，这个例子比“公司里装了多少个 Agent”更值得看。AI 很容易把一个动作加速，组织真正难的是让不同动作共享目标，也共享彼此不能碰的边界。

把时间拉长一点，企业每次引入新技术，最后都绕不开组织问题。论坛现场提到了工业革命和信息革命：前者带来的不只有纺织机和蒸汽机，还有工厂制度；后者也不只让员工用上电脑，ERP、CRM 重新连接了订单、库存和客户。到了 AI 时代，企业多了模型这个协作对象，决策方式也得跟着变。

模型会给答案，却不知道 30 天后有场大促

比如一件商品最近卖得不好，模型根据通用商业知识，很快就能给出降价建议。但它未必知道，30 天后还有一场大促。现在降多少，大促时再降多少，两次动作怎样避免冲突，都藏在企业自己的经营节奏里。

京东零售产研把这类问题概括为三个要素：Model、Context、Learning Loop。模型提供基础能力，企业上下文装着业务经验和场景约束，反馈闭环决定新经验多久能进入下一次决策。

当大家能用到的模型越来越接近，企业之间的差距，就不只取决于模型。谁能更快把一线判断沉淀下来，谁的 AI 才会更懂自己的业务。

把一句“不合理”，留给下一次决策

京东零售产研正在推进的 JoyOxygenZERO，提供了一个具体例子。系统结合已有信息生成产品方案，产品经理看到不合理的地方，可以指出问题，也要把原因说清楚。

这些判断和理由会被写回系统，继续参与后续 Context 的形成。产品上线后，系统还会根据新版本更新上下文。这次工作产生的经验，也有机会成为下一次工作的起点。

过去企业也会写 Wiki、整理 SOP，但很多经验要等人专门复盘后才有机会留下。把反馈放回工作过程里，是在缩短一线判断从发生到被复用的时间。

从一次反馈，到整个组织的协作

但让一次判断留在系统里，还只是第一步。把同样的逻辑放到研发场景，问题会更明显。京东零售产研把软件研发效率分成“上工程”和“下工程”。编码、评测、测试、交付更容易形成统一标准，需求怎样定义、架构怎样设计、系统边界怎么划、几十个团队怎么围绕同一个目标判断，才是更难处理的部分。

我后来让团队停下来重新画系统架构，图上要补的也都是“上工程”：谁负责、任务处于什么状态、哪里必须人工确认、专业能力缺位时怎样暴露风险。把这些关系画清楚，Agent 才可能真正进入业务。

所以，决策系统化不能只靠把总目标拆成部门 KPI，再让大家开会对齐。组织需要在更高一层保留共同目标和约束，同时让一线发现的真实场景不断回来。如果说 JoyOxygenZERO 关注的是一次工作怎样留下经验，那么组织 Harness 要继续解决的，就是怎样把分散在个人和团队里的经验，变成 AI 可以调用的组织上下文。

组织里的专业能力也不会因此消失。AI 会扩大一个人能够覆盖的工作范围，但这些能力最后如何重组成新的岗位和组织，目前还没有标准答案。

AI Native 为什么是一号位工程

岗位和组织最后会长成什么样还不能确定，但组织要先解决什么，已经能看出一些方向。从京东零售产研在 JDD 大会零售论坛现场分享的这些实践看，高质量组织至少要做到三件事：目标统一，Learning Loop 足够快，执行效率足够高。

这也解释了 AI Native 为什么更像一号位工程。一号位要先回答企业究竟想解决什么问题，核心竞争力是什么，哪些经验值得沉淀，不同团队又该怎样协作。目标没有说清楚，部门里的 AI 越忙，组织反而越需要花力气协调。

个人可以因为 AI 变得更强，组织则要靠共同目标和反馈闭环变得更聪明。

所以我现在看一家企业的 AI 落地，会先问一个很具体的问题：今天某个岗位纠正 AI 的理由，明天另一个团队能不能直接用上？这个问题，比公司里装了多少个 Agent 更有信息量。