企业 AI 落地到一线，最常见的失败不是模型不够好，而是账号发出去了，业务流程没变。沃尔玛 2025 年 6 月宣布计划向约 150 万名美国门店员工部署一组 AI 工具，这个数字很容易被读成把同一个聊天机器人一次性发给 150 万人。真正值得工程团队拆的，是它把 AI 接进门店已有运营系统的方式。

先把两个数字的口径说清楚，否则后面的结论都站不住：150 万是计划面向的美国门店员工基数，不代表 150 万人已完成接入或持续活跃；班次规划时间从 90 分钟降到 30 分钟，来自夜班补货任务管理器的早期结果，由团队负责人和店长估计，不是全公司平均值，也不是独立审计后的生产率结论。

下面的五个现场接口，是对其公开动作的结构化归纳，不是沃尔玛发布的正式框架；对工程团队来说，它们对应的是五类必须提前做出的工程决策。

接口一：入口复用，而不是再建一个 AI 孤岛

沃尔玛没有为 AI 单发一个新 App，而是把能力接进员工每天已经在用的 MyWalmart 应用。这个应用本来就承载多项门店工作功能，AI 从同一个入口出现，比独立工具更容易进入员工的日常动作。至于各项 AI 能力实际调用了哪些后台数据，公开材料没有给出完整清单。

对工程团队的含义：入口复用不只是省一个客户端。它意味着 AI 可以接回既有的身份体系、权限模型、日志链路和工单支持流程，而不是让答案出现、责任却无处落地。新建一个独立入口，等于同时新建一套没人维护的权限和审计。

需要注意，这是对其他企业的设计建议，不是对沃尔玛现有权限与日志机制的事实陈述，其公开材料并未说明任务建议由谁修改、修改是否留痕、员工如何提出异议。

接口二：从找答案推进到排任务，但先限定在一个场景

沃尔玛 2025 年披露的 AI 任务管理器，会理解、排序并推荐任务，最初只应用于夜班补货：管理者不再完全从空白开始组织班次，而是让系统先给出工作优先级建议，再由团队执行。

这一步的性质变化比上线一个问答机器人大得多。问答系统改变的是信息获取；任务管理器开始影响工作顺序，从辅助员工知道走向辅助组织安排。官方用词是推荐任务，没有披露系统能否直接分配个人任务，也没有说明主管和员工的修改权限，因此准确的说法是：它进入了任务建议层，还不能据此判断自动决策权限。

对工程团队的含义：选第一个场景时，优先满足三个条件，高频、边界清楚、反馈快。夜班补货的任务相对集中，排班前的准备时间也容易观察，所以它是一个可验证的切口。相反，从全员 AI 助手开始，既没有可观察的流程指标，也无法判断建议是否真的有用。

接口三：把企业语境接进模型能力，而不只是堆通用能力

沃尔玛称对话式 AI 已在门店使用约五年，员工可以查询商品在哪个货架、查看排班等信息。到 2025 年，这类能力有超过 90 万名周用户，每天处理超过 300 万次查询。这组数字证明的是门店里有人持续在用，不是新一代生成式 AI 已经全面改变经营；2025 年公告同时提到未来数月还计划加入生成式 AI 驱动的分步流程指南，既有查询量和后续升级必须分开算，否则会把未来功能的效果提前记到账上。

除查询外，沃尔玛还部署了支持 44 种语言的实时翻译，覆盖文字对文字和语音对语音，并加入了沃尔玛特定知识。2025 年 7 月的门店案例中，得州 Cypress 一名负责约 300 名员工的 People Lead 用翻译工具解释问题、任务和困难。

对工程团队的含义：一线翻译不是旅游对话。商品名称、岗位称呼、设备操作、班次规则和安全要求都有企业内部含义，只追求通用语言数量，可能得到语法正确却无法执行的句子。把企业术语接入检索和翻译链路，才可能让它从沟通便利变成运营工具。

这里还有一条可以直接复用的推进原则：按风险分层。位置查询和翻译的决策风险较低，错误容易被现场发现；任务排序风险更高，因为它影响多人工作的先后关系。先用低风险高频场景培养使用习惯和反馈机制，再把 AI 推进到需要更强复核的任务建议。

接口四：按角色划分能力边界，而不是一套助手覆盖所有人

沃尔玛同时运营多种 AI 工具，外部叙述容易把它们混成一个产品，实际上它们对应不同角色：

工具	目标角色	主要能力
MyAssistant	总部与园区员工	生成初稿、总结文档、辅助创意与策略
Wally	采购与商品团队	数据录入、分析、根因定位、复杂计算
门店任务管理器	团队负责人、店长、补货班次	任务理解、排序与推荐
对话式 AI 与实时翻译	一线员工	信息查询与跨语言沟通

其中 Wally 建立在沃尔玛专有商品数据的语义层之上，帮助商品人员用业务语言查询数据。沃尔玛 2024 年 1 月的公告称，公司在 2023 年把 MyAssistant 引入 5 万名美国园区员工，这是可接入范围，不是 5 万名实际使用者。公开资料证实了这些产品的目标角色与主要能力，却没有证明它们共享相同的数据底座。

对工程团队的含义：角色即能力边界，也即数据可见范围。与其做一个万能助手再层层加限制，不如按角色拆产品：每个角色对应明确的数据域、工具集和输出形态。这样权限模型是产品结构的一部分，而不是事后打的补丁。

接口五：推广机制与一条采纳漏斗

很多企业部署 AI 时先统计发出了多少账号。但账号只是获得权限，不是进入工作。真正需要管理的是一条漏斗：计划覆盖多少人，多少人获得权限，多少人按周使用，多少次使用发生在目标流程内，最后有多少动作或结果发生了改变。150 万只位于这条漏斗的最前端。

沃尔玛把初始场景限定为夜班补货，其他班次当时只在部分门店试点，用试点、扩展、学习的分阶段方式推进，这个范围控制值得保留。

指标设计同样关键。如果只统计模型生成了多少条建议，就无法知道建议是否减少了管理负担；以排班规划时间为观察点，至少把技术活动连到了一个真实流程。在此之上，建议继续记录建议采纳率、人工调整率、错误任务率、临时插单和员工反馈。需要说明的是，这些是推荐的评估指标，并非沃尔玛已公开披露的数据。

算法管理的边界：可计算不等于可用于管理决策

沃尔玛的员工信息隐私通知列出了范围很广的数据类别，包括网络和应用活动、就业与绩效、精确位置、音视频、生物识别，以及由数据形成的推断，并可能用于绩效、培训、职业发展和岗位优化。通知本身不等于这些数据都会被任务管理器用于处罚员工，但它说明企业已经拥有广泛的数据基础。

在这样的基础上，工程设计必须把可计算与可用于管理决策分开。系统能看到员工位置，不代表每一次位置变化都应转成绩效判断；能记录建议是否完成，也不代表未完成就等于个人执行不力。缺货、设备故障、顾客请求、人员不足，都可能让现场偏离算法计划。

2026 年，沃尔玛股东提案要求公司报告 AI 与自动化的工作场所影响，最终未获通过。路透社报道中的一名夜班员工主张，AI 驱动的标准可能造成不现实的时限、伤害、倦怠与离职风险；沃尔玛培训负责人则强调负责任使用与人的判断。员工陈述不是经独立验证的全公司事实，管理层承诺也不是效果审计，两者并置正好指出公开证据的缺口。

沃尔玛已披露 Digital Trust 承诺、AI 与机器学习框架、员工信息安全培训以及董事会委员会监督。这些是必要基础，但公开资料尚未充分说明：员工能否看见推荐依据、主管能否无惩罚地修改任务、错误如何上报、员工如何申诉、系统是否被用于个人绩效、不同语言和岗位的错误率是否被持续监测。

因此，下面四项是建议的治理设计，而不是沃尔玛已完成的功能清单：建议可见，让执行者知道任务由 AI 建议、依据是什么、数据何时更新；人工可改，主管和员工能根据现场例外调整顺序并留下原因；结果可申诉，当建议影响工时、绩效或纪律决定时必须有人工复核；数据有边界，明确哪些数据只用于服务与安全，哪些可用于培训或绩效，并限制保存、访问和二次使用。

如果缺少这些保护，AI 越懂门店语境，越可能把错误变成规模化压力。反过来，如果员工的修改和申诉被当作高质量反馈而不是对系统的抵抗，算法管理才有机会转化为人机协同。

可复用的推进顺序

沃尔玛的规模无法复制，它的推进顺序可以拆解。第一，先选一个高频、边界清楚、结果可观察的流程，不要从全员 AI 助手开始，而要从一个具体损耗开始，例如班次准备、设备报修、库存异常或跨语言交接，并为它设定流程指标和不可牺牲的安全、质量、员工体验底线。第二，复用员工已经在用的入口，让 AI 接回既有的身份、权限、日志与支持流程。第三，按角色拆能力，让权限模型成为产品结构本身。第四，把覆盖、权限、使用、目标流程内使用、结果改变这五层分开统计，不要用账号数冒充采纳率。第五，在扩大权限之前先扩大治理：可见、可改、可申诉、数据有边界。

这套顺序的完整案例拆解与来源标注，可以参考 Runwise 的原文 面向150万门店员工，沃尔玛如何用5个现场接口把AI嵌入门店运营。

小结

一线 AI 部署真正难的从来不是模型，而是入口、任务、语境、权限和推广这五个接口的排列，以及一条把账号数和结果改变分开的采纳漏斗。对工程团队来说，这意味着上线前就要回答四个问题：AI 从哪个入口进入工作，第一个场景的边界在哪里，每个角色能看到什么数据，以及建议被采纳或被推翻时系统记录了什么。回答不了这四个问题，150 万个账号也只是 150 万个未激活的入口。