一节直播答疑，23 分钟。
老师没有任何准备。一个做餐饮供应链、手底下管着多个品牌的学员，现场抛出了自己的难题。老师听着，然后当场让 AI 把这个问题接了过去，一步一步做出来。
这不是表演。正是因为没有准备，才最能说明问题：你公司里的真问题，大概率也长这样——含糊、琐碎、带着口语化的错漏，却真金白银地卡着你的现金流。
图 1｜
先说一个反直觉的数字。
按 ABC 分类，这家公司的 C 类 SKU 占了总量的 85%，但它们的销售额，只有 3% 到 5%。反过来，A 类和 B 类 SKU 只占 15%，却贡献了九成以上的销售额。
85%
C 类 SKU 占比
3%–5%
贡献的销售额
90%+
A/B 类贡献
这不是个例，是餐饮和零售供应链里普遍存在的二八效应。麻烦也正出在这里：C 类物料单件销售额低、种类又多，管理成本一点不低。买多了，是积压；买少了，是缺货。两边都烧钱。
对 CFO 来说，这笔账很直接。积压占的是现金流，缺货丢的是营收。C 类看着不起眼，架不住品类多、周转乱，一年下来漏掉的钱，可能比一笔大单的利润还厚。
你以为是「顺手管管」的小事，其实是个被长期低估的成本黑洞。这也是为什么不少老板看库存报表时，总觉得「哪里不对」却说不清：沉默的大多数 C 类，正用看不见的方式，一点点吃掉利润。
而这类问题，恰恰是 AI 最擅长、却最容易被人工忽略的地方——规律藏在波动里，人眼看不见，模型看得见。
这位学员原来的做法，不算土。
按 ABC-XYZ，再叠一个「快销/慢销」维度，把销售出库数据按近 3 周、4 周、7 周、9 周、13 周汇总，算出周均出货量，再结合供应商提前期，推算「可用天数」，系统自动预警——该提前到货的提前，该推迟的推迟。
听起来挺科学。问题出在 C 类身上。
C 类的需求是稀疏的、间歇的。这周出 100，下周可能出 0。你用近 3、4、7、9、13 周的移动平均去算，等于把真实的规律抹平了。一旦周均波动大，算出来的「可用天数」就失真，预警跟着频繁误报：该补的没补，不该补的又补了。
结果就是两头堵。买多了积压，买少了缺货。
还有一个被普遍忽略的点：餐饮受节假日影响极明显。统一一个预警阈值，既没区分「稳定慢销」，也没区分「脉冲式需求」。这两类东西的库存逻辑，根本不是一回事。用同一把尺子去量，量出来的自然全是噪音。
更要命的是，预警一旦失了信，业务就不看了。系统天天喊狼来了，真缺货那天反而没人信——这是比误报本身更贵的代价。
说个有意思的细节。
这位学员之前也问过 AI。他用 DBC（豆包这类聊天机器人）问，对方给了九宫格、ABC、XYZ、季节因素这些方向，听着有启发。但他要的是「帮我做出来」，这点做不到。
BI佐罗 当场点破了一件事，叫「载体思维」。
你跟 AI 说「给我做个小程序」，AI 就蒙了。小程序在哪儿跑？后缀名是什么？你连要的是什么文件都说不清，等于只知道想要什么结果，却不知道用什么载体去承载它。
更现实的是：真要让聊天机器人吐出一套东西，生成的往往不止一个文件，可能十几个，彼此还有引用和依赖。你得一个个下载、摆对位置，放错了还不运行。普通人哪搞得明白。
所以真正的做法，是把通用智能体装在你自己的电脑上——Claude Code、Codex、字节的 Trae、腾讯的 CodeBuddy 都行。它做完，文件自动落在你本地，不用下载，不会放错。
这里有个很妙的比喻。DeepSeek 的聊天窗口，像一辆车，你坐上去它不往前开——只能体验体验。Claude Code 才是那辆会开、能带你到目的地的车。至于车里的「发动机」（底层模型），其实可以换；重要的是「车」本身会干活。
学员后来感慨，他那个问题如果靠人一点点搭，光理清文件间的依赖就够喝一壶。把智能体装本地，等于请了个不睡觉、不抱怨的工程师，成果直接落在自己电脑里。
在让 AI 动手之前，BI佐罗 先做了一件事。
他没急着让 AI 干活，而是跟它说——
「我们先搞清楚，这到底是个什么事。」
这句话很普通，背后却是个大玄机。很多时候，连我们自己都说不清到底在干嘛。你描述一大堆，却概括不出那一句话。
这时候，让 AI 把你那段含糊的话接住。它带着人类几千年的知识储备，瞬间帮你翻译成清晰的定义。起点对了，才可能有正确的终点。这一步做对，能挡掉后面一大半的弯路。
很多人的问题，不是 AI 不行，是起点就歪了。
习惯之后你会发现，很多看似无解的问题，其实只是没被说清楚。
AI 给出的优化方案，核心是四个升级。
① C 类继续细分别再 85% 一锅烩。用变异系数，分成四类：稳定慢销、间歇性需求、脉冲季节性、长尾呆滞。每一类的库存逻辑都不一样，混在一起只会互相拖累。比如长尾呆滞的那批，根本不该走常规补货逻辑，清退或合并才是正解；而脉冲季节性的，要跟着节假日节奏走。
② 间歇性需求换模型针对 C2 这类，换经典的间歇性需求模型。要算两个指标：ADI（平均需求间隔）和 CV²（变异系数平方）。BI佐罗 特别强调：XYZ 不重要，重要的是 ADI 和 CV²。大多数企业连这两件事的存在都不知道。ADI 告诉你「多久才来一单」，CV² 告诉你「来得多不规律」，两个数字一摆，C 类是间歇还是脉冲，藏不住。
③ 动态安全库存 + 服务水平分层A/B 类和 C1 到 C4 类，服务水平本就不该一样。一刀切的库存策略，注定顾此失彼。C 类里长尾呆滞的，服务水平可以放低；真正间歇性又高价值的，才值得高安全库存兜底。
④ 多维风险预警好的预警系统，不该只有一个「可用天数红灯」。它更像一块仪表板，同时监控四类风险：缺货风险、积压风险、供应链风险、模式突变风险，还带触发条件和节假日预警。哪类风险先亮灯、亮到什么程度要人工介入，规则写在明处，团队照着跑就行。
图 2｜
光说方法不够。AI 当天就生成了一套东西：一份 .md 文档，加一个可交互的 HTML 看板。
点开「模拟运行一天」，画面出来了：
47
今日预警
18
缺货风险
23
积压风险 SKU
样板看板 · 能点能算
01 今日预警 47 个，其中缺货风险 18 个，积压风险 SKU 23 个。
02 C 类 SKU 占比一目了然，再点进去，C 类被分成了稳定慢销、间歇、脉冲、长尾四类。
03 高风险 SKU 标出来了，点开能看它为什么高风险、历史出库长什么样、第 5 周是什么情况。
04 数字不是死的。你改一个数，关联的指标实时跟着变——点一下，2 变成 0，再点，变成 1。
你还可以接着聊，让它算出「大货数量」和「大货时间」。也就是说，从预警到采购建议，一条线打通了。以前要排队等 IT、等报表、等月结才能看清的事，现在当场就能点出来、讲给老板听。
这位学员自己估了个数：这个问题如果真落地，大概值 10 万。
BI佐罗 说，你的理想可以再放大——毕竟这还只是没接真实数据、没做一品多商时的保守估计。对一家多品牌餐饮企业来说，光是把 C 类积压和缺货两头堵的钱腾出来，量级往往远不止十万。
图 3｜当天生成的库存预警看板：47 个预警，一点就动
回到这节课最值钱的地方。
很多人以为学 AI 要学编程，那其实是走了弯路。BI佐罗 教的是「如何思考」，以及帮你排除掉那些自己都没意识到的沟通弱点。
你跟 AI 聊得通，它就能帮你把难题解出来。至于底层代码，那是它的事。
这也点出了这门课和「只教工具操作」的 AI 课最大的不同：它信通用智能体，胜过行业专用智能体；它把你的业务问题，看成一种等待被释放的潜能——你的问题越有业务价值，在 AI 加持下，释放的能量就越大。
一个判断值得记牢：未来两到三年，会用和不会用 AI 的人之间，会拉开一道断层。十年前讲 Power BI 的那批人，吃到了自动化的红利；现在连编程都不用学，直接聊天就能造系统，势能只会更猛。早布局的人，早受益。
BI佐罗 常说，他当年讲 Power BI，强调的是「让数据多自动化一点」；现在讲 AI 智能体，强调的是「让业务自己造系统」。
同一件事，门槛降了一个数量级。
如果你也面对着「算不清、总误报、不敢接数据」的库存难题，这门课值得你花两天看看。
课程信息
《AI 智能体实战训练营》
BI佐罗（连续 8 年微软数据技术 MVP，10 年以上企业数字化实践，16 万+ 学员，100+ 企业培训经验）与优贲联合呈现。
两天线下实战：DAY1 让 AI 真正接手你的日常工作DAY2 把你的工作方法沉淀成一套 AI 系统
核心模块覆盖：提示词、记忆、Skill、上下文、多智能体、MCP 集成。
真正会用 AI 的人，需要知道四件事：AI 什么时候容易出错、怎么降低翻车概率、怎么核验生成结果、怎么安全使用敏感数据。这门课，就是冲着这四件事去的。
想了解完整内容？扫码获取完整课程大纲
后台回复「实战营」，获取试听链接
