在零售业，结构性利润率压力持续存在。脱颖而出的公司能够更快、更精确地做出决策——涉及商品、劳动力、供应链——并在数千家门店中一致执行。大型零售商面临的核心问题是：其组织是否足以快速扩展AI以产生实质性影响？Albertsons Companies是美国最大的食品和药品零售商之一，运营约2300家门店，营收800亿美元。Sunil Gopinath领导公司的全球数据和AI部门，同时负责Albertsons Companies India——其最大的技术和AI中心。他的使命是：构建AI和数据基础，将一家优秀的零售商转变为数据驱动的企业，且要快速、规模化。
他们战略的核心信念是：停止容忍碎片化。将AI雄心与强大企业基础相结合的公司将获胜，而其他公司只是在运行昂贵的实验。该战略的基础是Databricks平台，Albertsons将其用于数据工程、机器学习、治理和分析。这一共享基础使得“一个平台”的指令成为现实，让每个团队拥有相同的起跑线，而不是不同的工具集。
构建AI肌肉：为何集中化是必要条件
AI的集中化是一个架构决策。Albertsons围绕四个重大AI赌注进行组织：客户体验、商品智能、劳动力管理和供应链。这些提供了战略焦点。集中化AI核心提供了执行的肌肉。核心逻辑是：存在对通用横向组件的明确组织需求，例如治理、安全和可复用模型仓库。专注于这些构建块的专门团队意味着应用团队无需担心底层卫生和基础架构，可以完全专注于优化业务。此外，公司层面设有治理委员会，汇集高级利益相关者和领导者，建立共享的、可接受的AI和AI治理标准。这种集体决策使得模型得以固化。
大规模AI的特许经营模式
如何建立共享标准、中央平台和可复用加速器，同时允许本地创新？最佳思考方式是特许经营模式：中央提供通用基础设施、标准和治理，边缘进行本地执行和创新。他们构建了可复用加速器：数据摄取管道和模板、特征存储模式、模型监控、性能可观测性和治理包装器。任何团队都可以接入这些工具，速度提升10倍。整个平台的目的不是限制创新，而是加速创新。标准并非随意设定，而是反映业务、商家和客户对AI产生信任所需的条件。
在不断变化的格局中复合增长的人才
人才方法分为三个层次：预测的机器学习、回答问题的生成式AI和行动的代理AI。这些均嵌入员工工作方式。对于技术团队，采用AI增强工程。在9个月内，他们接受了138万行AI生成的代码，超过90%的工程师使用AI工具。这从根本上改变了构建和发布的速度。对于非技术团队，构建了低代码仪表板、提示库和对话式代理生成平台；非技术团队可以拖放代理，甚至通过自然语言指令构建。目标在于减少寻找答案的时间，增加决策时间。招聘时，不仅看技术能力，更看重态度：学习、实验和创新的意愿。
顶层纪律
AI所有权属于顶层。AI是业务战略，指标反映这一点：跨市场复用率、部署时间、负责任AI合规性，以及最重要的与AI提升相关的业务成果。如果某个倡议无法显示影响，就不会扩展。这种纪律必须从顶层强制执行，使AI成为真正优势，而非昂贵实验。
总结
Gopinath描述的并非渐进式集中化，而是有意的承诺：一个团队、一个平台、一个运营模式，辅以战略赌注和可复用加速器。商品智能是四个战略AI优先事项之一，展示了集中化模型如何解决实际业务问题。平台基于Databricks，Genie作为交互层。商家可以用自然语言提问，获得可靠答案。Databricks提供底层数据工程、机器学习和分析基础。对于正在努力将AI从实验转变为企业能力的高管，Albertsons的特许经营模式提供了一个有用框架：治理中央，释放边缘，确保每个团队建立在已验证的基础上。