2026 年 9 月 · 5 分钟阅读
agent 规模化的先决条件不是模型：General Mills 物流 18 小时到 30 分钟
关键定义
系统到系统集成（S2S） 企业与客户或伙伴的系统直接交换结构化数据（订单、库存、运单），不经人工录入——agent 可执行的前提。
有限动作空间 任务的状态与动作可枚举（如订单到装载到发运的状态机），决策边界清晰，自动化可以验证与回退。
就绪度（readiness） agent 化之前需要满足的数据、集成与流程条件——数据准确率、S2S、基线周期；比模型选型更早的决定性变量。
18 小时到 30 分钟——General Mills 把订单-装载优化压进半小时，靠的不是更强的模型，而是三样更无聊的东西：约 96-97% 的数据准确率、系统到系统的订单集成、一个有限动作空间。供应链是目前 agent 规模化证据最扎实的场景之一，但真正该被买方带走的，是那三样前置条件，而不是「agentic AI」四个字。
证据：Project ELF 与 $3B 成本计划
General Mills 的供应链负责人 Paul Gallagher 在 2025-10 投资者日介绍 Project ELF（end-to-end logistics flow，端到端物流流）：与公司最大零售商之一做系统到系统（S2S）的订单接收，并优化卡车装载；在机器学习、AI 与 GenAI 之上叠加 agentic AI；订单接收与装载优化从 18 小时压缩到 30 分钟以内；因为卡车变少，已累计减少 15,000 吨碳排放（Constellation Research 2026-07-12 报道，来源见文末）。
同一披露里有两个关键数字：供应链主数据与交易数据准确率约 96-97%（「一个版本的事实」）；运行在数据之上的制造专有算法，已经在多个工厂带来 4000 万美元以上的收益——这还只是开始。背景是公司层面的成本压力：FY2026 营收 184.2 亿美元、同比下降 5%、净亏损 8800 万美元；公司因此宣布四年 $3B 成本计划（FY2027 目标 $750M），其中 $2B 来自 Holistic Margin Management，$1B 来自全球转型——供应链重设计与 AI 是转型的核心杠杆。更早的背景（CIO Dive 2025-02 报道）：AI 模型评估 5,000+ 次日运输，自 FY2024 以来累计节省 2000 万美元以上运输成本。
我们的判断（一）：为什么供应链先跑通 agent——三个结构条件
供应链是 agent 规模化证据最扎实的场景之一，不是偶然。它具备知识工作 agent 普遍缺乏的三个结构条件：①数据准确率可量化——约 96-97%，「让数据做决定」的前提，而不是「数据大概还行」；②系统到系统集成——订单是结构化消息，不是要人去读的 PDF 或邮件；③有限动作空间——订单到装载到发运是可枚举的状态机，决策边界清晰。三者齐备，agent 才有东西可跑、跑错可发现、结果可度量。
我们的判断：知识工作 agent 卡住的不是模型，是这三个条件——长尾任务、非结构化输入、决策权模糊。想在知识工作里复制供应链的成功，先复制这三个条件，而不是换一个更强的模型。
我们的判断（二）：18 小时到 30 分钟的杠杆拆解
18 小时到 30 分钟是「agentic AI」的功劳吗？拆开看，杠杆来自三层：确定性算法优化（装载与路径优化本身是运筹问题）、流程重设计（把 18 小时的手工对账变成系统动作）、agentic 执行（异常与协调的自动化处理）。LLM 在其中扮演的是最后一块拼图，不是全部。
我们的判断：买方别被「agentic AI 上线」的叙事带偏——先有约 96-97% 的数据准确率与 S2S 集成，agent 才有东西可跑。把流程与数据先做对，agent 化只是把已经跑通的流程再提速一层；反过来，数据一团乱时上 agent，只是把混乱自动化。
买方清单：供应链 agent 化的就绪度五问
① 主数据与交易数据准确率能否量化？
低于 95% 就不要谈「让数据做决定」；General Mills 的约 96-97% 是前提不是结果。
② 订单、装载、发运是否已系统到系统？
还是靠人工录入与邮件？S2S 之前，agent 只能做「读文档」而不是「执行流程」。
③ 任务状态空间是否有限、可枚举？
能不能写出状态机？写不出，自动化的验证与回退无从谈起。
④ 有没有优化前的基线周期？
没有基线（如 18 小时），就没有 ROI 可对比；先记录，再上线。
⑤ 异常处理有没有升级路径？
agent 卡住时谁接手、多久接手、是否留痕？没有升级路径的自动化是事故生成器。
行动建议与留给买家的决策问题
三十天动作：别急着上 agent。先跑就绪度五问——数据准确率量化、S2S 盘点、状态空间枚举、基线周期记录、升级路径定义；五问全过，再谈试点。
留给买家的决策问题：你的供应链数据准确率是多少？如果答不上来，你的 agent 化还早——这不是模型问题，是地基问题。
OOMeta AI
OOMeta 的落地方法论与本案同构：先量化数据与流程就绪度，再谈 agent 化——就绪度五问是我们给客户的首个交付物。模型的边际收益在就绪度到位之前是负的，这是我们见过最多 pilot 死亡点的位置。
预约诊断会参考来源：Constellation Research《General Mills bets on AI, supply chain redesign to drive $3 billion in savings》（2026-07-12；Project ELF 细节出自 2025-10 投资者日，经 Constellation 转述）www.constellationr.com/insights/news/general-mills-bets-ai-supply-chain-redesign-drive-3-billion-savings · CIO Dive《General Mills attributes millions in cost savings to AI》（2025-02-19；5,000+ 日运输与 $20M+ 运输节省背景）www.ciodive.com/news/General-Mills-AI-cost-saving-strategy/740416/ · Google Cloud 客户案例（云与数据迁移背景）cloud.google.com/customers/generalmills
常见问题
Project ELF 是什么？+
General Mills 的端到端物流流项目：与最大零售商之一做系统到系统订单接收并优化卡车装载，在机器学习、AI 与 GenAI 之上叠加 agentic AI；订单优化从 18 小时压到 30 分钟内（Constellation Research 报道）。
18 小时到 30 分钟的杠杆来自哪里？+
三层：确定性算法优化（装载与路径）、流程重设计（手工对账变系统动作）、agentic 执行（异常自动化）；LLM 是最后一块拼图，不是全部。
为什么供应链先跑通 agent？+
三个结构条件：数据准确率可量化（约 96-97%）、系统到系统集成、有限动作空间；知识工作 agent 普遍缺这三样。
$3B 成本计划里 AI 占多少？+
$2B 来自 Holistic Margin Management，$1B 来自全球转型——供应链重设计与 AI 是转型核心杠杆；FY2027 目标 $750M（Constellation Research 口径）。
买方上供应链 agent 前该检查什么？+
就绪度五问：数据准确率能否量化、是否系统到系统、状态空间是否有限、有无基线周期、异常有无升级路径——五问全过再试点。
拿你自己的执行日志跑一遍
交一份脱敏的近 30 天 agent 执行日志，48 小时内拿到八行表：八项技术项每项一行，每格带分子、分母和判据，缺口按是否要改 schema 排序。前三单 ¥8,000。
相关文章
Chewy 把 AI 节省写进成本线：$50M 承诺该怎么读
Chewy 09-09 财报电话会承诺 FY2027 起 AI 年节省 $50M，上一财年已入账「低两位数百万」美元；Cai 助手解决约 30% 自助会话（CIO Dive 报道）。我们的判断：AI 节省要入账才算数——已实现与承诺要分开读；「第一方编排=护城河」的声称，护城河在专有工作流数据，不在编排框架。
当「Trusted」成为产品名：财富管理 agent 一周三连，证据链却没人认领
五天内 OpenAI、Accenture、Anthropic 三方直营财富管理 agent 场景，审计留痕从咨询商方案下沉为模型商标品功能。我们的判断：三层玩家给的全是「栈内证据」，跨栈可核验证据链依然无人认领。
供应链 Agent 的生死不在模型：Kenco 三个月上线的测量纪律
Gartner 预测 2027 年前超 40% 的 agentic AI 项目被取消。3PL 巨头 Kenco 用三个月把 6 个 Agent 送上生产、零客户中断（另有 20 个在途）。我们的判断：试点与生产之间的鸿沟是测量问题——先定基线、按 Agent 定 KPI、部署后再测，才是存活率的分水岭。
客服 AI 的第二幕：量级层交给机器，价值层留给人
Klarna 2025 年公开回调、Kogan.com 用『真实解决率』校准、BILL 以 70% AI 解决率省下 500 万美元：客服 AI 第一波已证明量级层可被机器吸收，真正稀缺的是边界设计、指标选择与省下产能的再配置。