企业走向AI原生，应该怎样定义AI可以运行的目标？丨ANC重新理解AI原生建设

一家全渠道零售企业决定建设库存与履约 Agent。管理层给出的目标很明确：下一季度，将重点商品缺货率降低20%。

业务问题似乎清楚了，KPI也有了。项目团队可以接入商品、门店、库存和订单数据，也可以让系统调用补货、调拨和履约工具。

但当某个重点商品即将缺货时，AI仍然可能面对几个都合理的下一步，比如：使用成本更高的加急运输，保护当前订单；或者从其他区域调拨库存，避免增加履约成本。

前者可能付出不成比例的成本，后者可能只是把缺货风险转移到另一个地区。两个行动都可能改善缺货率，目标本身却无法说明公司更愿意接受哪一种代价。

于是问题出现了：企业说清了目标，为什么AI仍然不知道下一步？

不是因为AI无法理解“降低缺货率”这几个字。而是这句话只说出了公司希望看到的结果，没有说清楚公司愿意怎样得到这个结果。

NotebookLM的音视频概览，解读的比较通俗易懂，对于时间比较紧张的读者朋友，可以听听，会有启发。

一｜Human为什么会高估“目标已经说清楚”

区域运营负责人听到“降低重点商品缺货率”以后，通常不会停下来追问每一个词是什么意思。

他知道哪些商品、客户承诺和经营阶段真正重要，也知道公司愿意为一次指标改善承担多大代价，以及什么情况下不应继续推进。

这些判断往往没有写进目标。它们存在于管理经验、业务历史、团队默契，以及公司长期形成的经营习惯里。

Human会在具体情境中，自动补回这些内容。

当两个行动都能降低缺货率时，他会根据商品、客户、成本和当前经营重点作出取舍。

当所有可选行动都会带来不可接受的后果时，他也知道不能为了完成指标而盲目往前。

正因为这些补充“理解”发生得很自然，企业很容易产生一种错觉：既然这句话已经能够指导业务负责人，它也应该能够指导AI Agency。

Human能够依据一句目标持续推进，并不意味着这句话已经独自承担了指导作用。很多真正决定下一步的经营判断，只是由Human在运行中补上了。如果AI Agency开始承担持续推进角色，企业就不能默认这些没有说出的取舍会自动出现。

问题不在目标有没有被表达。而在于它目前的清楚程度，究竟是对Human足够，还是已经足以约束AI Agency持续形成和推进下一步。

二｜战略方向、经营目标和KPI，各自说明了什么

企业讨论目标时，几种不同的表达很容易被放在一起。

“建立更有韧性的供应链”，是一项战略方向。它说明公司希望长期走向哪里，也可以帮助管理层判断哪些能力值得建设。但当一家门店的重点商品即将缺货时，这句话无法直接决定当前局面中的具体行动。

“降低重点商品缺货造成的销售和客户损失”，更接近一项经营目标。它已经说明企业准备改变什么业务状态，也把问题从单纯的库存数字拉回了销售机会和客户承诺。但如果不同客户、商品和渠道之间的优先关系仍然只存在于个人的理解中，这个经营目标仍然无法独自完成具体取舍。

“下一季度将重点商品缺货率降低20%”，则进一步提供了KPI要求。KPI让公司能够观察结果是否变化，比较不同地区和时间的表现，也可以暴露经营偏差。

它很重要。但KPI描述的是公司准备观察什么，不等于已经说明公司愿意怎样改变它。

指标告诉系统什么数字应该变化，目标还必须告诉系统公司愿意怎样改变它。 因此，KPI可以成为目标的观察窗口，却不能替代目标本身。

战略方向、经营目标和KPI都没有错。它们只是分别承担不同作用。真正的问题是：当AI需要在多个可能的下一步之间作出选择时，企业目前给出的目标表达，能不能参与这次选择。

三｜同一个“降低缺货”，为什么会产生多个看似合理的下一步

假设华东地区一家核心门店的重点商品即将缺货。系统发现，供应商可以补货，但正常运输需要几天。

它可以改用加急运输，在缺货发生以前把商品送到门店。这样做能够保护当前订单和客户体验，却会显著增加履约成本。

系统也可以从另一家门店调拨库存。调拨速度更快，成本可能更低，但另一家门店即将进入周末销售高峰。现在拿走库存，只是把缺货风险从一个地区转移到了另一个地区。

暂停当前促销也能降低缺货概率。如果这次促销只是普通流量活动，这可能是合理动作；如果它承担新品上市或者重要会员活动，暂停促销带来的损失可能高于短期缺货。

三个行动分别通过增加供给、重新分配供给和降低需求改善缺货率，但它们保护的价值、消耗的资源和制造的副作用完全不同。

公开的零售与资源分配研究也呈现了相同的业务事实：库存经营需要同时面对补货、采购、随机需求、容量与成本约束，而当前使用一份库存或预算，还会改变未来可采取的行动。

问题因此不在AI能否找到行动方案，而在现有目标能否说明公司更愿意选择哪一种行动，又愿意接受哪些代价。

如果这些取舍没有进入目标，AI仍然可能找到一种非常有效的方式降低缺货率。只是它稳定推进的，未必是公司真正想要的经营结果。

AI Agency承担的持续推进范围越大，这种偏差就越不会仅仅停留在一次错误的建议上。

四｜目标通过参与下一步的取舍进入运行

一个目标有没有真正进入AI Agency运行，可以用一个问题检验：

当两个下一步都看起来合理时，这个目标能否帮助AI排除一个、优先一个，或者判断现在不应该继续？

如果不能，目标可能仍然只是一项结果愿望或者KPI要求。AI可以复述它，可以把它写进计划，也可以在每一次分析里声明自己正在为它工作。

但目标还没有真正参与运行。

目标不是通过被系统复述而进入运行，而是通过参与下一步的取舍而进入运行。

前面的行动冲突说明，“降低缺货率20%”只能规定结果方向，不能独自完成经营取舍。

因此，企业交给AI的不能只是：将重点商品缺货率降低20%。

它还需要进一步明确：系统持续保护的是重点商品对哪些客户和渠道的可获得性；当补货、调拨和履约成本发生冲突时，什么价值应该优先；当一个地区的改善会破坏另一项同等重要的客户承诺时，系统不应继续从缺货率目标自行推进行动。

例如，这项目标可以进一步表达为：

持续减少重点商品缺货对核心客户承诺和关键销售机会造成的损失。
在补货、调拨与加急履约之间，优先选择不会把同等缺货风险转移给其他重点区域，也不会以不成比例的履约成本换取指标改善的行动。
当几项同等重要的客户承诺发生冲突时，不再仅依据缺货率继续决定下一步。

这不是一种标准目标句式。企业也不需要把所有经营目标都写成同样的长度和结构。关键不在于目标写得更长，而在于它开始能够参与真实取舍。

它让系统知道自己正在为谁改变什么业务状态。

让系统在多个行动方向之间判断，哪一个更接近公司的价值意图。

也让系统知道，改善一个指标时，有些代价不能被当作无关变量，有些局面已经不能再从当前目标直接推出合理行动。

这些内容不是一套要求企业逐项填写的目标模型。它们共同说明的是同一件事：目标不能只描述终点。它还要能够在运行中约束通往终点的下一步。

企业目标只有能够约束下一步，才真正进入AI Agency的运行。

五｜企业真正要交付的，不是一句更详细的指令

把更多正确方向并列写进一句话，也不意味着目标已经可以运行。当这些方向发生冲突时，系统仍然需要知道什么应该优先、什么代价不可接受。因此，企业要完成的不只是把目标翻译成模型更容易理解的表达。

它需要重新明确：

公司究竟希望AI持续承担什么经营职责。

如果AI负责持续推进一项经营价值，公司需要让这项职责足以支持真实选择，而不是只给系统一个需要优化的数字，再依靠临时Prompt、不断追加的规则和频繁的Human补充解释，把没有进入目标的经营取舍一点点填回去。

这不意味着企业要把全部隐性经营知识一次性提取出来。Human的经验不可能被完整穷举，现实业务也会持续出现新的情境。

企业需要确认的是，在AI被要求持续推进的范围里，目标已经能够对主要取舍发挥约束作用。

企业真正需要交付的：不是一句结果要求，也不是一个单独KPI。而是一项能够进入真实取舍的经营目标。

ANC视角：从写给Human的目标，到能够约束AI的目标

传统企业的经营目标，通常是写给Human来执行的。

Human会理解公司真正重视什么，补全目标没有写出的取舍，并在目标不足以支持行动时不再继续。

过去，这些判断由岗位、经验和管理关系处理。目标不需要独自承担全部运行职责。

当AI Agency开始持续推进经营目标，这个前提发生了变化。

企业不能因为一句目标已经能够指导业务负责人，就默认它已经能够约束AI Agency。

这会改变企业怎样审查一个Agency项目。

管理层看到“将重点商品缺货率降低20%”时，不应只确认KPI是否明确、数据能否接入和工具是否齐全。它还可以要求项目团队列出两个都能够改善指标、但代表不同经营代价的下一步。

然后追问：现有目标能不能说明公司更愿意选择哪一个？

如果答案仍然需要某位业务负责人根据“常识”临时补充，企业就看见了现有目标仍不足以约束下一步的部分。

这不是要求项目立刻把所有常识编码成系统。它只是让管理层不再把“Human能够理解”，误认为AI已经获得了运行依据。

AI Native Company不是把公司的KPI交给更多Agent，而是能够把值得由AI推进的经营价值，定义成真正可以参与运行的目标。

写在最后

目标能够约束下一步以后，AI才真正知道自己在推进什么。但价值闭环还没有因此完整。

系统采取行动以后，会得到订单变化、客户响应、库存移动和成本变化等不同结果。其中哪些结果真正说明原来的行动有效，哪些只是同时发生的数字变化，又有哪些足以改变下一步？

这是企业接下来必须回答的问题：AI已经知道自己在推进什么以后，什么样的结果，才足以让它改变下一步？

来源与限制

1. *Google Research《Robust Online Allocation with Dual Mirror Descent》*讨论了预算、席位和零售库存等受限资源在不确定环境中的动态分配，并说明当前资源使用会影响未来决策。本篇只用它支持经营行动存在跨时间资源取舍，不采用其算法作为AI Agency目标定义方案。
2. *Amazon Science《Joint inventory and revenue management with removal decisions》讨论随机需求和容量约束下的补货、定价与库存移除；《Dual-stage procurement with forecast updating for seasonal products at Amazon.com》*讨论季节性商品在采购成本、速度和信息价值之间的取舍。两项研究只用于提高零售案例的业务可信度。
3. Google与Amazon在数字技术、零售、云计算和AI市场中拥有直接商业利益。外部来源只支持场景可观察性；本文关于KPI、经营目标和AI Agency运行的判断均由ANC提出。
4. 文中的零售企业、降低缺货率20%的目标及相关行动均为设想场景，不对应具体企业，也不构成库存、采购或履约建议。本文只讨论目标是否能够约束下一步，不讨论具体系统设计、授权治理、有效反馈或价值验证。

感谢你看到最后，如果你觉得有启发，随手点个赞、在看、转发吧，如果想第一时间收到推送，也可以给我加个星标⭐我们下期见。

我是「AioGeoLab」主理人塔迪Tardi，AioGeoLab是深度洞察AI第一性原理和应用实践的前瞻性研究实验室，目前有两个主要研究方向：
「塔迪AI工程系列」FDE落地工程、ANC：AI Native Company未来公司系列、GEO、AI判断工程。
「塔迪硅基禅心」是传统东方智慧、未来AI前沿、当下应用实践，深层共鸣的探索。不是用AI解读经典，也不是用经典指导AI。 这是一场跨越2500年的对话，在算法与古老智慧之间，照见意识、智能与存在的本质。
塔迪的微信 - tardyai2025。