在零售業，結構性利潤率壓力持續存在。脱穎而出的公司能夠更快、更精確地做出決策——涉及商品、勞動力、供應鏈——並在數千家門店中一致執行。大型零售商面臨的核心問題是：其組織是否足以快速擴展AI以產生實質性影響？Albertsons Companies是美國最大的食品和藥品零售商之一，運營約2300家門店，營收800億美元。Sunil Gopinath領導公司的全球數據和AI部門，同時負責Albertsons Companies India——其最大的技術和AI中心。他的使命是：構建AI和數據基礎，將一家優秀的零售商轉變為數據驅動的企業，且要快速、規模化。
他們戰略的核心信念是：停止容忍碎片化。將AI雄心與強大企業基礎相結合的公司將獲勝，而其他公司只是在運行昂貴的實驗。該戰略的基礎是Databricks平台，Albertsons將其用於數據工程、機器學習、治理和分析。這一共享基礎使得“一個平台”的指令成為現實，讓每個團隊擁有相同的起跑線，而不是不同的工具集。
構建AI肌肉：為何集中化是必要條件
AI的集中化是一個架構決策。Albertsons圍繞四個重大AI賭注進行組織：客户體驗、商品智能、勞動力管理和供應鏈。這些提供了戰略焦點。集中化AI核心提供了執行的肌肉。核心邏輯是：存在對通用橫向組件的明確組織需求，例如治理、安全和可複用模型倉庫。專注於這些構建塊的專門團隊意味着應用團隊無需擔心底層衞生和基礎架構，可以完全專注於優化業務。此外，公司層面設有治理委員會，彙集高級利益相關者和領導者，建立共享的、可接受的AI和AI治理標準。這種集體決策使得模型得以固化。
大規模AI的特許經營模式
如何建立共享標準、中央平台和可複用加速器，同時允許本地創新？最佳思考方式是特許經營模式：中央提供通用基礎設施、標準和治理，邊緣進行本地執行和創新。他們構建了可複用加速器：數據攝取管道和模板、特徵存儲模式、模型監控、性能可觀測性和治理包裝器。任何團隊都可以接入這些工具，速度提升10倍。整個平台的目的不是限制創新，而是加速創新。標準並非隨意設定，而是反映業務、商家和客户對AI產生信任所需的條件。
在不斷變化的格局中複合增長的人才
人才方法分為三個層次：預測的機器學習、回答問題的生成式AI和行動的代理AI。這些均嵌入員工工作方式。對於技術團隊，採用AI增強工程。在9個月內，他們接受了138萬行AI生成的代碼，超過90%的工程師使用AI工具。這從根本上改變了構建和發佈的速度。對於非技術團隊，構建了低代碼儀表板、提示庫和對話式代理生成平台；非技術團隊可以拖放代理，甚至通過自然語言指令構建。目標在於減少尋找答案的時間，增加決策時間。招聘時，不僅看技術能力，更看重態度：學習、實驗和創新的意願。
頂層紀律
AI所有權屬於頂層。AI是業務戰略，指標反映這一點：跨市場複用率、部署時間、負責任AI合規性，以及最重要的與AI提升相關的業務成果。如果某個倡議無法顯示影響，就不會擴展。這種紀律必須從頂層強制執行，使AI成為真正優勢，而非昂貴實驗。
總結
Gopinath描述的並非漸進式集中化，而是有意的承諾：一個團隊、一個平台、一個運營模式，輔以戰略賭注和可複用加速器。商品智能是四個戰略AI優先事項之一，展示了集中化模型如何解決實際業務問題。平台基於Databricks，Genie作為交互層。商家可以用自然語言提問，獲得可靠答案。Databricks提供底層數據工程、機器學習和分析基礎。對於正在努力將AI從實驗轉變為企業能力的高管，Albertsons的特許經營模式提供了一個有用框架：治理中央，釋放邊緣，確保每個團隊建立在已驗證的基礎上。