在AI浪潮席卷各行各业的今天，许多企业将大模型视为决胜关键。但全球零售巨头Target的SVP Siobhán Mc Feeney在VB Transform 2026大会上给出了一个反直觉的观点：AI模型本身并不是竞争壁垒，真正让企业脱颖而出的，是围绕这些模型构建的整套系统——从架构设计、数据治理到自主权管理。这一理念为当前疯狂的AI工具市场提供了冷静的思考方向。
模型只是起点，系统才是护城河
“模型很棒，它们也很重要。但仅仅拥有模型并不足以构成竞争优势。”Mc Feeney在演讲中直言不讳。她强调，Target的AI护城河并非来自某个前沿模型，而是来自模型之外的一切——一个精心设计的、可扩展的生态系统。
这个系统包含多个层面：首先是对AI代理（Agent）的严格定义与注册流程。在Target，任何想要部署的AI代理都必须经过“出身登记”——明确其目标、触发条件、访问权限和监控指标。这听起来有些繁琐，但Mc Feeney认为这是避免重复劳动、确保系统一致性的关键。
“我们想要从代理诞生的那一刻起就建立完整的血缘关系，”她解释道，“这样当凌晨两点出现问题时，我们就能完整追溯所有环节。”这种对系统工程的重视，让Target的AI投资能够精准投放到最需要的地方，而非盲目追逐热点。
值得注意的是，这种思维模式与当前许多AI独角兽的激进策略形成鲜明对比。后者往往急于推出新模型，却忽略了底层架构的稳定性和可观测性。而Target的做法表明，真正的企业数字化转型需要的是系统工程思维，而非单纯的模型堆砌。
代理设计：第一原则是“是否需要代理”
在Target，部署AI代理的第一步不是选择模型，而是回答一个根本问题：我们到底要解决什么问题？这个问题会引出更多追问：这个问题真的需要代理吗？如果需要，它应该是什么类型的代理？是编排型代理、超级代理，还是领域专用代理？又或者，你所谓的“代理”实际只是一个工具？
Mc Feeney承认这个流程有些“重”，但她认为这是必要的。因为一个解决方案可能已经存在，重复建设只会浪费资源。这种严谨态度在零售行业尤为重要——库存管理、需求预测、供应链优化等场景中，错误决策可能造成数百万美元的损失。
一旦确定需要代理，接下来就是一系列设计决策：什么事件会触发代理行动？是自动化流程、工程师操作，还是定时任务？需要哪些跟踪机制？这些看似琐碎的问题，实际上构成了Agent系统的基础设施。
“我们测量一切：代理的意图、校准度、轨迹，而不仅仅是运行时间和延迟。”Mc Feeney说。这种全透明的方式让代理能够持续优化，也使得AI Agent技术真正落地成为可能。
自主权分层：让代理“挣得”信任
Target对AI代理的自主权管理采用了独特的“挣得式”分层模型。Mc Feeney将其比喻为人类职场中的晋升：没有人会一开始就被赋予大量责任，只有通过实际表现证明能力后，才能逐步获得更多自主权。
该模型分为四个层级： - 第一级：观察但不行动 - 第二级：建议行动但需等待批准 - 第三级：在预设护栏内行动 - 第四级：端到端运行，但仍需人类确认
目前Target运营的最高级别是第四级，但始终保留人类在回路中。这种渐进式授权不仅降低了风险，还让团队能够科学衡量代理的表现：准确率、漂移程度、目标达成度等指标都会影响其自主权等级。
“代理可以挣得自主权，也可以因表现不佳而失去它。”Mc Feeney警告说。模型如果出现漂移，就会立即被停用。这种机制确保了系统的稳定性，也让开发人员能够更快地工作——“因为你知道护栏在哪里，所以可以永远跑得快”。
数字孪生实战：从数据中挖掘隐藏洞察
一个生动的案例展示了Target系统如何超越人类直觉。今年夏天，一个数字孪生模拟系统预测了长滩三家门店的男士短裤库存需求，其中一家门店的预测值比其他两家高出6到7倍。库存分析师的第一反应是“这不可能”，但系统发现了他们忽略的因素：那家门店距离海滩不到两英里，而另外两家位于内陆10到12英里处。
分析师最终接受了系统推荐，结果库存全部售罄。Mc Feeney将之称为“科学的力量”——“这在数学上比人类决策更可靠，更有信心。”这个案例完美诠释了为什么AI工具需要结合领域知识才能发挥最大价值。
实际上，这种数字孪生技术正在改变零售业的决策方式。通过模拟不同场景，企业可以提前发现潜在问题，而不必等到实际库存积压或断货时才后知后觉。对于正在崛起的AI独角兽而言，类似的应用场景正是其商业价值所在。
跨部门协作：新技能与工作流重构
即使AI代理的自主权很高，当出现问题时，开发者仍然需要承担责任。Mc Feeney指出，团队现在的工作速度是前所未有的，这要求企业建立新的技能体系和管理流程。
在Target，AI代理已经渗透到供应链、补货、需求预测等核心业务中。它们连接信号、系统和决策，实现零售业最古老的承诺——将正确的商品在正确的时间放到正确的地点，并且以规模化方式执行。
但这一切的前提是数据治理层的建立。Mc Feeney强调，“架构、分类法、数据治理层必须预先建立。”这些底层基础设施往往被忽视，却恰恰是决定AI项目成败的关键。
对于企业而言，培养团队的新技能同样重要。工程师需要理解业务逻辑，业务人员需要掌握AI工具的使用方法。这种跨领域协作能力，正是当前AI工具导航中许多平台试图解决的问题。
成本效益：模型选择的经济学
并非所有场景都需要最前沿的模型。Mc Feeney指出，不同模型有不同“梯度”，适合不同任务。例如，前沿模型在需要处理数十亿数据点的复杂任务（如重商品供应链）中表现出色，但在某些场景下可能成本过高。
“确保始终存在成本效益”是Target的核心原则之一。这意味着企业需要根据问题复杂度选择合适的模型，而不是一味追求“最大最好”。这种务实态度对于引导AI投资方向具有重要参考价值——那些声称解决一切问题的AI独角兽，往往忽略了经济学原理。
通过精确匹配模型与任务，Target能够在保持性能的同时控制成本。这种精细化运营方式，正是大型企业区别于初创公司的护城河之一。
FAQ
什么是AI工具的企业级护城河？
AI工具的企业级护城河并非指单个模型或算法，而是围绕模型构建的完整系统，包括架构设计、数据治理、自主权管理、监控机制和成本控制等。这些系统化能力使得企业能够可持续地规模化应用AI，而非仅仅依赖模型性能。
自主权分层与直接授权有什么本质区别？
自主权分层强调“挣得式”信任，代理必须通过实际表现证明能力后才能逐步获得更高权限；而直接授权则默认赋予高自主权，风险较高。分层模型通过渐进式授权降低了故障影响，同时建立了可量化的评估体系，使得系统更稳定、更可追溯。
如何利用AI工具进行成本效益分析？
企业应首先明确业务问题，然后根据问题复杂度选择匹配的模型——简单任务使用轻量模型，复杂任务使用前沿模型。同时建立持续监控机制，评估模型准确率、漂移程度和运行成本，定期优化模型选择策略。这种做法能有效控制AI投资回报率，避免资源浪费。
配图描述
A futuristic digital twin interface showing a retail store's inventory simulation with AI agents visualized as glowing nodes connected by data streams, overlaid with a holographic map of Long Beach, California, highlighting three store locations with varying stock levels. The scene conveys data-driven decision making and autonomous system architecture, cyberpunk style, blue and orange neon accents.