Runwise 增长研究院

2026-09-06

Runwise 增长研究院

09/06/2026
企业AI创新, 新消费

沃尔玛没把AI做成一个聊天机器人发给150万人，而是从入口、任务、语境、权限、推广五个接口，把AI接进门店已有的运营流程。

一句话看懂：沃尔玛计划向约150万名美国门店员工部署AI工具，但真正的看点不是150万这个数字，而是AI如何通过员工入口、任务流程、现场语境、角色权限和推广机制这五个现场接口，嵌入门店已有的运营系统。沃尔玛没有另建AI孤岛，而是把AI接进员工每天使用的MyWalmart应用，从夜班补货的任务排序切入，按角色区分能力边界，并用试点、扩展、学习的分阶段方式推进。其早期结果是团队负责人规划班次的时间从90分钟降到30分钟，但沃尔玛尚未公开证明这些时间信号能稳定转化为财务、顾客与员工结果。

150万只是计划面向的人群，AI究竟通过哪五个接口进入门店？

2025年6月，沃尔玛宣布，计划向约150万名美国门店员工部署一组新的AI工具。这个数字很容易制造一种错觉：一家全球最大的零售企业，把同一个聊天机器人一次性发给了150万人。

真实情况更复杂，也更值得企业管理者研究。

这里的“5个现场接口”，是本文对沃尔玛现有动作的结构化归纳，不是公司发布的正式框架。它们分别指员工入口、任务流程、现场语境、角色权限和推广机制：AI通过门店员工已经使用的应用提供查询与翻译，开始进入夜班补货等具体任务的排序和规划，同时按角色区分能力，并以试点、扩展和学习逐步推进。

这使沃尔玛的案例不再只是“员工会不会用AI”，而是一个更难的问题：当AI从回答问题进入每天的任务优先级，它怎样变成门店运营系统的一部分？企业又该怎样避免“提高效率”的建议，悄悄变成一套员工看不懂、改不了、也无法申诉的算法管理？

先把两个数字说清楚。

“150万”是沃尔玛计划面向的美国门店员工基础，不代表150万人已经全部完成接入、持续活跃或使用任务管理。“90分钟降至30分钟”则来自夜班补货任务管理器的早期结果，由团队负责人和店长估计，指的是团队负责人规划班次工作的时间。它不是全公司平均值，也不是独立审计后的生产率结论。

边界没有削弱这个案例，反而揭示了它真正的价值：沃尔玛没有从一条宏大的AI转型口号开始，而是从一线员工已经在用的入口、每天重复的动作和可以被观察的时间损耗开始。

一、门店AI的难点，不是“会回答”，而是“能落进班次”

总部知识工作通常发生在电脑、文档和会议里。一个员工可以先向AI提问，再决定是否采用答案。门店工作却由班次、商品、货架、设备、顾客和同事共同推动：缺货要及时处理，新到商品要上架，价格和位置要核对，不同语言的员工要理解同一项任务，现场优先级还会不断变化。

在这种环境里，一个脱离门店数据的通用聊天框，即使表达流畅，也未必能减少动作。员工得到答案后，仍要打开排班工具、查找商品、询问主管、确认门店规则，再把答案转成可执行的下一步。AI多了一层界面，却没有少一层工作。

沃尔玛此前已经拥有一个关键基础。2021年，公司推出Me@Walmart，把排班、打卡、员工对讲和Ask Sam等功能放进同一个门店应用；公告当时称，计划在当年年底前向超过74万名员工提供智能手机，工作功能只在员工上班期间使用。到FY2025的ESG报告中，这个一线入口被称为MyWalmart，覆盖排班、福利、培训、反馈和Ethics等内容。

名称变化不是重点。重点是，AI进入门店之前，沃尔玛已经把多个日常工作功能集中到员工应用。这样一来，新的AI能力不必另起一个陌生入口，而可以通过已有应用提供查询、翻译与任务建议。公开资料可以证实这个入口和产品能力，但没有完整披露任务管理器读取的具体门店、班次或个人数据。

这也是一线AI与总部Copilot最重要的区别。前者的价值不在写出一段更漂亮的文字，而在能否缩短从“现场发生了什么”到“下一步由谁做什么”的距离。模型能力只是其中一环，入口、数据、权限和责任才决定它会不会真正进入运营；后四项是企业落地时必须设计和核验的条件，不应被误写成沃尔玛已经公开完成的机制。

二、沃尔玛的核心动作：用五个现场接口把AI接进已有运营流程

1、先占住员工已经使用的入口，而不是另建一座AI孤岛

沃尔玛的第一步不是发布一个全新的独立AI应用，而是继续使用MyWalmart这一门店入口。早期的Me@Walmart已经把排班、打卡、沟通与Ask Sam放在一起；手机上的工作功能在员工上班期间使用，使工具与班次场景绑定。

这个设计降低了两类摩擦。

第一类是使用摩擦。员工不需要记住另一套账号、跳转到另一个界面，再把AI答案复制回工作系统。第二类是语境摩擦。应用本来就承载多项门店工作功能，AI通过同一入口出现，比独立工具更容易进入员工的日常动作。至于各项AI能力实际调用哪些后台数据，公开材料没有给出完整清单。

许多企业部署AI时，先统计发出了多少账号。沃尔玛的路径提醒管理者，账号只是“获得权限”，不是“进入工作”。真正需要管理的是一条漏斗：计划覆盖多少人，多少人获得权限，多少人按周使用，多少次使用发生在目标流程，最后又有多少动作或结果改变。150万只位于这条漏斗的前端。

从系统设计角度看，入口复用还有一个更深的作用：企业可以把AI接回既有的权限、日志与支持流程，而不是让答案出现、责任却无处落地。但这是本文给其他企业的设计建议，不是对沃尔玛门店任务管理器现有权限和日志机制的事实陈述。沃尔玛公开材料没有说明建议由谁修改、修改是否留痕以及员工如何提出异议。

2、从“找答案”推进到“排任务”，但先限定在夜班补货

沃尔玛2025年披露的AI任务管理器，会理解、排序并推荐任务。它最初应用于夜班补货场景：管理者不再完全从空白开始组织班次，而是让系统先给出工作优先级建议，再由团队进入执行。

这一步的管理含义，比上线问答机器人更大。

问答系统主要改变信息获取。任务管理器则开始影响工作顺序：哪件事先做、管理者把注意力放在哪里。它从“辅助员工知道”走向“辅助组织安排”。但官方使用的是“推荐任务”，没有披露系统能否直接分配个人任务，也没有说明主管和员工的具体修改权限，因此更准确的说法是：它已经进入任务建议层，还不能据此判断自动决策权限。

沃尔玛没有在公告中声称所有班次已经全面采用。原始材料把初始场景限定为夜班补货，其他班次当时只在部分门店试点。这个范围控制值得保留。夜班补货的任务相对集中，排班前准备时间也比较容易观察。企业可以先在一个边界清楚、频率高、反馈快的流程里判断建议是否有用，再决定是否扩展。

早期结果是，团队负责人和店长估计，团队负责人规划班次工作的时间从90分钟减少到30分钟。这并不能证明每家店都节省了一小时，却说明沃尔玛选择了一个能被现场人员直接感知的指标：管理者在正式组织工作前，需要花多少时间整理任务。

指标设计很关键。如果只统计“模型生成了多少条建议”，企业无法知道建议是否减少了管理负担。以排班规划时间为观察点，至少把技术活动连到了一个真实流程。对于其他企业而言，下一步还应记录建议采纳率、人工调整率、错误任务率、临时插单和员工反馈；这些是本文建议的评估指标，并非沃尔玛已经公开披露的数据。

3、让AI学习门店语言：位置、排班和44种语言的现场沟通

沃尔玛称，对话式AI已经在门店使用约五年。员工可以询问商品位于哪个货架、查看排班等信息。到2025年，这类能力有超过90万名周用户，每天处理超过300万次查询。

这组数字证明的是“门店里有人持续用它”，不是新一代生成式AI已经全面改变经营。2025年公告同时提到，未来数月还计划加入生成式AI驱动的分步流程指南。既有查询量与后续升级必须分开，否则会把未来功能的效果提前记到账上。

除了查询，沃尔玛还部署了支持44种语言的实时翻译，覆盖文字对文字和语音对语音，并加入沃尔玛特定知识。2025年7月的门店案例中，得州Cypress的一名People Lead负责约300名员工，她使用翻译工具解释问题、任务和困难。

“加入沃尔玛语境”是这里容易被忽视的一环。一线翻译不是旅游对话。商品名称、岗位称呼、设备操作、班次规则与安全要求都有企业内部含义。只追求通用语言数量，可能得到语法正确却无法执行的句子。把企业术语接入翻译能力，才可能让它从沟通便利变成运营工具。

这也说明，AI进入一线不一定从高风险决策开始。位置查询和翻译的决策风险相对较低，错误也更容易被现场发现；任务排序的风险更高，因为它会影响多人工作的先后关系。企业可以按风险分层：先用低风险、高频场景培养使用习惯和反馈机制，再把AI推进到需要更强复核的任务建议。这是基于案例的推广建议，不是沃尔玛公开宣布的既定扩展规则。

4、不用一套助手覆盖所有人，而是按角色划分能力边界

沃尔玛同时运营多种AI工具，容易被外部叙述混成一个产品。实际上，它们对应不同角色。

MyAssistant主要面向总部和园区员工，支持生成初稿、总结文档、辅助创意和策略等知识工作。沃尔玛2024年1月的公告称，公司在2023年把它引入5万名美国园区员工；这是推出或可接入范围，不是5万名实际使用者。Wally则服务采购与商品团队，处理数据录入、分析、根因定位和复杂计算；它建立在沃尔玛专有商品数据的语义层之上，帮助商品人员用业务语言查询数据。

门店任务管理器面向团队负责人、店长和补货班次；实时翻译与对话式AI面向一线员工的沟通和信息查询。公开资料证实了这些产品的目标角色与主要能力，却没有证明它们共享相同的数据权限，也没有完整披露门店任务建议的审批、修改、申诉和绩效使用规则。

角色拆分解决了三个问题。

用同样的框架诊断你的业务

沃尔玛的五个现场接口，拆开看都是可复用的推进顺序：从夜班补货一个流程切入，把AI接进员工已经打开的应用，再按角色分开权限。如果你正在规划自己的AI落地路径，不妨用AI顾问对照你的业务场景，看看第一步该选哪个流程、哪些治理缺口需要先补。

免费体验 Upskill AI 顾问 →

首先是语境。采购人员问的是销量异常、商品表现和根因，一线员工问的是货架位置、排班和现场任务。其次是动作。总部助手的输出可以是一份初稿，门店任务管理器的输出却可能影响一群人的工作顺序。再次是风险。文档摘要错误与任务优先级错误的后果不同，对人工确认和留痕的要求也不同。

因此，本文给其他企业的架构建议是：共用安全、数据治理和模型底座，在上层按岗位配置语境、可调用工具与审批权限。公开资料显示，沃尔玛的AI工具由Element平台支持，并强调数据治理与安全；但平台存在，不代表每项业务已经配置了本文建议的人工修改、申诉和日志规则，也不代表单项效果已经被审计。

Wally的公开路线图还提到，未来希望在可配置的护栏内自动执行某些战术动作。这里的关键词是“未来”。企业在叙述AI进展时，应把当前已用的分析能力与未来自治能力分开。建议、审批后执行和自动执行，是三种不同权限等级；沃尔玛已经公开的是Wally当前能力和未来方向，具体分级治理仍需逐项核验。

5、把推广做成分阶段学习，而不是一次性宣告“全面上线”

沃尔玛的材料中同时存在已实施、部分门店试点和未来计划：对话式查询已运行多年；实时翻译已经投入使用；任务管理先从夜班补货开始，其他班次在部分门店测试；生成式流程指南和Wally的部分自治动作仍属于后续方向。

这种状态并存，是大型企业AI落地的常态。问题不在于有没有一张“全部上线”的完成证书，而在于每个阶段是否回答了不同问题。

试点阶段要回答：数据是否够用，建议是否准确，员工是否理解，错误是否容易纠正。扩展阶段要回答：换到其他班次、门店和语言后，效果是否保持，培训与支持成本是否上升。规模化阶段才需要回答：使用是否持续，流程指标是否改善，风险事件是否增加，收益是否覆盖维护与治理成本。这些问题构成本文建议的阶段评估框架，不是沃尔玛已披露的完整评审流程。

立即登录阅读全文

登录或注册即可解锁全站内容，即表示你理解并同意服务协议与隐私政策

按阶段管理，也能防止一个常见错误：把计划覆盖人数当成采用率，把采用率当成结果，再把结果推导成财务回报。对沃尔玛而言，150万、90万周用户、300万日查询和90→30分钟分别处在不同层级。它们不能相加，也不能互相替代。

更完整的门店AI仪表盘，至少应分开记录五层指标：目标人群、获得权限、实际使用、流程变化、业务结果。对任务建议还应增加人工修改率、重复错误、员工申诉、异常工作量、安全事件和门店差异。这是本文针对公开信息缺口提出的管理建议；沃尔玛没有公开一张包含上述全部指标的仪表盘。

三、结果已经出现，但证据只够走到“流程发生变化”

五个现场接口处在不同成熟度。沃尔玛目前公开的证据，可以支持三个判断。

第一，AI不是停留在创新实验室。超过90万名周用户和每天超过300万次对话式查询，说明信息查询已经进入高频使用。第二，AI开始改变管理者准备工作的方式。夜班补货任务管理器的早期反馈显示，班次规划时间可能明显缩短。第三，翻译工具解决的是具体组织摩擦。一个负责约300名员工的People Lead可以用它讨论问题、任务和困难，而不是只做偶发的语言演示。

但证据还不足以支持另外三个更大的判断。

公开资料没有证明这些工具直接提高收入、利润或同店销售；没有证明顾客满意度因任务管理器而提升；也没有证明AI已经改善员工留任、安全或工作体验。即使时间从90分钟降到30分钟，企业仍要追问：节省的一小时去了哪里？是用于现场辅导、解决例外和服务顾客，还是被更多任务填满？只有前者被观察到，时间节省才真正转化为组织能力。

沃尔玛还披露，部分门店使用RFID与增强现实查找商品，查找速度最高可快75%；数字孪生能够提前发现设备风险。这些都显示门店正在形成更广泛的数字运营基础，但官方把RFID+AR表述为“除AI之外”的技术。把它们直接计入AI成效，会夸大模型贡献，也会掩盖真实机制：很多现场改善来自数据、传感器、设备、流程和AI共同工作。

因此，这一阶段更准确的结论是：沃尔玛已经证明AI可以被放进一线真实流程，并产生可观察的使用与时间信号；它尚未公开证明这些信号如何稳定转化为财务、顾客与员工结果。

四、最大的风险：助手一旦排序任务，就开始分配压力

AI回答“某件商品在哪里”时，员工通常可以现场验证。AI建议“先做哪项任务”时，影响就扩展到了工作节奏、团队协作和管理评价。如果系统所依据的数据不完整，推荐的顺序可能在数学上合理，在现场却无法完成。这里的“数据不完整”是风险分析，不代表沃尔玛已经披露任务管理器使用了哪些库存、人员或工时字段。

沃尔玛的员工隐私通知显示，公司可能处理员工与AI聊天机器人的互动、网络和应用活动、就业与绩效、精确位置、音视频、生物识别以及由数据形成的推断，并可能用于绩效、培训、职业发展和岗位优化。通知并不等于这些数据都会被任务管理器用于处罚员工，却说明企业已经拥有广泛的数据基础。

在这样的基础上，必须把“可计算”与“可用于管理决策”分开。系统可以看到员工位置，不代表每一次位置变化都应转成绩效判断；可以记录建议是否完成，也不代表未完成就等于个人执行不力。缺货、设备故障、顾客请求、人员不足，都可能让现场偏离算法计划。这里讨论的是企业应采用的数据目的限制，不是沃尔玛已公开的任务管理规则。

2026年，沃尔玛股东提案要求公司报告AI与自动化的工作场所影响，最终未获通过。路透社报道中的一名夜班员工主张，AI驱动的标准可能造成不现实的时限、伤害、倦怠与离职风险；沃尔玛培训负责人则强调负责任使用与人的判断，目标是建立信心而不是压力。员工陈述不是经独立验证的全公司事实，管理层承诺也不是效果审计。两者并置，正好指出公开证据的缺口。

沃尔玛已披露Digital Trust承诺、AI与机器学习框架、员工信息安全培训以及董事会委员会监督。这些是必要基础，但仍不能替代一线机制。公开资料尚未充分说明：员工能否看见推荐依据，主管能否无惩罚地修改任务，错误如何上报，员工如何申诉，系统是否被用于个人绩效，以及不同语言和岗位的错误率是否被持续监测。

因此，下面四项是本文提出的治理建议，不是沃尔玛已完成的功能清单：