出品｜虎嗅商业消费组

作者｜李佳琪

编辑｜苗正卿

题图｜百胜中国

午高峰的必胜客后厨，AI 视觉摄像头正自动识别披萨的配料是否齐全、烤制是否均匀，顾客甚至能同步看到自己披萨的制作进度。

同一时间的肯德基门店内，智能订补货系统实时显示销量与库存，自动生成补货与销量预测；智能排班中台已根据预估生成整周的排班表；"D 睿 " 系统则实时监测骑手动态，将最新履约情况反馈给餐厅经理。

从单店后厨品控、门店人力调度，到全国供应链仓配…一套完整的 AI 运营体系正逐步在百胜中国超 1.9 万家门店落地。

放眼国内连锁餐饮赛道，头部企业的 AI 布局早已开启了 " 暗中较量 "：麦当劳的数字化重心集中在 C 端语音点餐，海底捞依托第三方大模型打造了前台客服助手，星巴克自研 Deep Brew 强化会员个性化推荐…

相比之下，百胜中国选择了更彻底的全链路的方式：让 AI 系统贯穿整个价值链，成为从后台到一线的 " 员工助手 "，在这里，AI 不仅有工号、有 KPI，不合格的 AI 甚至会被果断 " 解雇 "。

2026 年，百胜中国预计将跨过 2 万家门店的门槛，在规模急剧膨胀时，" 效率能否跟上体量 " 是资本市场不可避免的质疑。但其最新发布的财报给出了答案：经营利润率实现了连续第九个季度同比提升。

对一家拥有超过 1.9 万家门店的餐饮公司来说，规模既制造复杂度，也放大技术价值。一次排班是否合理、一项原料能否少报废零点几个百分点、一单外卖能否提前几分钟完成履约，乘以庞大的门店和订单规模，都会变成一笔可观的效率账。

规模，不再是敌人。

七月，虎嗅与百胜中国 CTO 张雷进行了一场独家对话，试图解开一个疑问：当同行还在为单店模型苦苦挣扎时，百胜中国如何用 AI 重新定义 " 万店 " 的边界。

张雷

外界热衷于讨论 AI 何时会取代服务员，但百胜中国似乎更关心另一件事：当 AI 把餐厅经理从订货、排班、催单这些琐碎中解放出来，" 餐厅经理第一 " 的口号，才有了具象化的表达。

正如其 CEO 屈翠容在达沃斯论坛上所言：AI 不懂商业术语，不懂 " 开放式炸锅 " 是什么意思，懂的是那些在一线摸爬滚打几十年的 " 老法师 "。

在这场对话中，我们将看到一套试图把 " 简单留给一线，复杂留给中后台 " 的 AI 体系，是如何在 118 亿美元的年营收体量下运转的。

张雷反复强调数据资产的价值，并表示 " 若全球有人能打造出真正可用的餐饮行业模型，百胜中国一定是其中之一 "。

这份自信从何而来？以下为对话实录：

AI 的壁垒，不只在模型

虎嗅：请先为我们描绘一幅百胜中国内部完整的 AI 能力版图。从传统机器学习到生成式 AI，你们在底层架构上是如何布局的？

张雷：百胜中国在 AI 领域的探索起步较早，从早期的机器学习、深度学习，到当下的生成式 AI，我们认为这是一个连续的演进过程，而非割裂的技术革命。对企业而言，最终用于业务决策的核心仍是传统 AI 模型。当前，公众视线多集中于大模型，但对我们来说，机器学习、深度学习与生成式 AI 共同构成了完整的 AI 能力矩阵。

从业务架构看，AI 的应用主要贯穿两条链路：其一是面向消费者的端到端流程，涵盖获客、下单、餐厅履约及客户反馈。其二是供应链端，从产品设计、菜单规划、原材料采购到生产制作。

餐饮行业的门店越多，AI 提效的成果就越显著。因此，我们的整体架构分为两层：上层面向消费者与供应链物流，底层则由模型、知识库、知识图谱、硬件和算力等基础能力支撑。

我们早在机器学习阶段便构建了 AI 中台。以 " 预估 " 场景为例，供应链、品牌、单店乃至不同时段均需进行销售预估。若各环节独立建模，数据源不一致，预估结果便会相互矛盾。中台的核心价值在于确保数据源同源，从而保证结果一致性。

再往下是数据层。无论称之为数据库、数据仓库或者数据湖，数据的准确性都会直接决定 AI 模型的效果，这一点已是行业共识。

与此同时，企业也越来越重视对私域数据的保护。餐饮行业尤其需要思考如何保护自身私域信息与数据安全。百胜中国以直营为主，直营占比超过 80%，因此能够积累规模大、质量高且链路完整的数据。

我们有信心认为，若全球范围内有人能打造出真正可用的餐饮行业模型，百胜中国一定是其中之一。行业模型对百胜中国而言，是非常值得探索的一个方向。

虎嗅： 在数据资产之外，百胜中国的核心壁垒还体现在哪些方面？相比美团、阿里等平台，你们有什么不可替代的优势？

张雷：国内平台型企业在消费者前端的数据确实非常丰富，包括复购率、品类偏好等标签。但平台的数据优势更多集中于订单生成，对于门店履约环节覆盖有限。从订单进店，到能否按时履约、生产耗时、出餐流程，直至消费者最终反馈，这一完整的履约闭环，恰恰是餐厅端独有的数据资产。

不同餐饮业态差异显著，茶饮、咖啡、快餐、正餐各不相同。以非预制的餐品为例，如果从接单、出餐到送达需要在 30 分钟内完成，产品通常必须在 10 至 15 分钟内从厨房出品。要做到这一点，背后必须有非常精细的数据支撑。

以必胜客为例，披萨从解冻、备料、撒料、进入烤箱到完成烤制，每一个生产步骤及其所需时间都要被精细拆解。只有将生产工艺拆解至每一步，才能准确评估承诺时效。是 30 分钟还是 40 分钟送达，而这将直接影响消费者体验。

数据还需要与设备产能挂钩。例如肯德基 " 疯狂星期四 " 活动期间，餐厅炸锅数量、运行状态等均需纳入计算，直接影响履约承诺与配送效率。

此外，人力配置同样关键。零售餐饮业的核心成本包括食材成本与人力成本，二者与 " 卖什么、何时卖、促销力度 " 密切相关。因此，供应链数据、生产数据、营销数据与客户数据必须全面打通，才有可能把消费者服务做得更加精准、高效。

虎嗅：除了数据和算力层面的壁垒，团队对餐饮业务场景的理解深度，是否也是你们区别于纯科技团队的核心竞争力？

张雷：确实如此。餐饮运营的核心在于标准化。西式餐饮本就具备较高标准化程度，中式连锁亦在加速推进标准化，因为只有标准化才能保障食品安全与出品一致性。每个产品都有详细的生产手册，明确配料克重、物料清单、生产工序耗时及标准操作。这些资料传统上称为 " 营运手册 " 与 " 产品手册 "。

在 AI 介入前，这些标准更多依赖培训和人的经验执行，例如用秒表测算每一步的时间，再由人工观察出品是否符合标准。现在，这些培训资料和操作手册可以转化为模型能够理解的内容，让模型进一步拆解每一个操作步骤。

同时，餐厅传统人工监控难以覆盖全部食品安全管控，现在则可以用图像识别进行技术辅助。例如，披萨进烤箱前与出烤箱后各拍一张照片，系统就可以识别披萨是否烤糊、馅料分布是否均匀、外形是否合格。借助 AI 视觉识别，出餐时即可判断品质是否达标。

先算 ROI，再谈技术理想

虎嗅：在推进这一体系时，如何确定优先级？又如何判断 AI 在哪些关键卡点上能发挥最大价值？

张雷：以必胜客为例，我们早在两三年前便布局边缘端算力。必胜客的后厨流程相对复杂，披萨、饮料、牛排等产品生产工艺各异，卡点也更多一些。

确定优先级时，我们会结合消费者反馈，判断问题究竟来自速度、产品还是服务。如果是产品问题，还要进一步分析，究竟是工艺复杂、人员操作不到位，还是原材料本身存在问题。

此外，边缘算力还可以助力分析食品浪费和排班是否合理，它的核心价值，一是保障产品品质，二是保障食品安全。

虎嗅：在必胜客门店部署边缘计算设备，初期投入成本不低。当时是如何向管理层论证 ROI 的？

张雷：百胜中国设有系统评审机制，这在国内企业中较为少见。所有投资项目每两个月由管理层评审一次，参与者包括品牌总经理、CFO、CEO 等，需要半数以上成员通过，项目才可以实施。

我们拥有大量直营门店，即便能将原料的报废率降低 1% 甚至零点几个百分点，就可以产生很大价值。边缘设备单价不高，且存在折旧分摊，成本回收周期较短。在大量直营门店的基础上，即使不计入销售增长带来的收益，仅从减少食品浪费的角度，这笔投入也很划算。

虎嗅：从边缘算力到感知能力的重视，再到基于此构建 AI 工具。这种思路在消费行业应属原创，当时海外餐饮企业是否有类似实践？

张雷：当时行业内缺少可直接借鉴的成熟实践，这套方法主要来自我们自己的探索。在餐饮行业内，百胜中国涉足 AI 时间较早，八九年前还没有生成式 AI 的概念时，我们就已经开始尝试决策式 AI。

最早的 AI 项目是销售预估，这是零售行业的普遍需求；另一个是路径优化，如何优化骑手路线，会对每单配送成本产生很大影响，所以我们很早也开始做路径优化。这些都属于传统 AI 范畴。

虎嗅：从早期的预估模型，到现在的边缘算力和大模型应用，技术团队如何在长达八九年的周期里保持这种持续迭代的能力？

张雷：一方面是刚才提到的系统评议机制提供了制度保障。另一方面，百胜中国设有自有的研发中心，持续关注新兴技术能否落地于我们的业务场景。这在餐饮行业中极为罕见。我们虽然不是科技公司，但 IT 团队与美团、阿里、华为等科技企业保持紧密的技术合作。

研发中心也帮助团队对前沿技术保持高度敏锐。以生成式 AI 的采用为例，22 年圣诞节附近，我第一次听说了这个技术，当即意识到，这一代 AI 已具备理解人类语言与意图的能力，与以往大为不同。随后研发中心迅速启动了对于生成式 AI 技术的探索。

第一步踏准节奏后，后面每一步都能紧跟技术演进。若第一步落后，之后就只能被动追赶，很难真正理解变化为什么发生。此后，我们也提前部署了一批 GPU，并在两年内逐步建立起内部算力能力。目前，百胜中国内部已有 200 多个 AI 应用场景，使内部 80% 的 Token 调用可以在自有硬件上完成，仅 20% 依赖外部大模型。外部大模型仍然会用，但技术成熟后，我们便通过工程化手段将其迁移至场内模型，一方面保护数据安全，另一方面提高响应速度。

行业模型不需要像通用大模型那样回答开放性问题，因此没有必要追求万亿级参数。我们可以使用几十亿至百亿级参数的小模型。小模型更精准，也更适合利用内部数据进行调优；模型过大以后，有限的企业内部数据很难真正改变模型。

以消费者点餐场景为例，问题相对收敛。只有当模型确实无法理解用户意图时，我们才调用外部大模型进行解析，但执行环节仍转回内部小模型。

虎嗅：在具体的模型选型上，你们目前采用的是开源还是闭源路线？如何避免被单一模型厂商绑定？

张雷：场内部署的一定是开源模型。如 Qwen， Deepseek 等开源模型均可在场内部署，我们针对不同业务场景构建了自有的评测工具，用来评估各模型在特定场景下的表现。

以客户服务的智能体 "C 睿 " 为例，我们每日有约 15 万次消费者交互，涵盖产品咨询、活动询问、催单及投诉等。过去这些数据积累下来以后更多只是被存储，现在则成为训练和构建客户服务智能体的重要基础。

我们会将不同公司的大模型同时纳入评测，依据评分选择最优模型。但模型版本迭代很快，因此所有场景都需要反复评测，并根据评测结果重新选择。工程化的一个重要作用，是让模型接口能够接入应用。对应用系统来说，只要接口可以适配，底层具体使用哪个模型就可以灵活替换。

当 Agent 进入组织

虎嗅：目前百胜内部已经孵化了多少 Agent？开发和推进这些 Agent 的团队是如何组织的？

张雷：目前公司的 Agent 已经应用于 200 多个场景。开发和推进这些 agent 的团队并非独立团队，原先从事数字化建设的 IT 人员已开始转向 Agent 工程化。

Agent 概念虽然在不断演进，但做数字化的人很容易理解它。他们原本就熟悉 API 调用、参数传递与资源分配，以及如何与上下游系统对接，这些都是 Agent 工程化最终必须具备的能力。

做一个 Demo 很简单，利用 MaaS（模型即服务）就可以快速生成一个业务场景原型。但 Demo 无法投入企业应用。

工程化以后，Agent 必须和上下游系统对接，满足安全要求、权限控制，还要通过漏洞检测，防止成为攻击目标。因此，企业内的 AI 必须具备要可控性，而不是黑箱式输出，否则无法调试，没法在企业环境中使用。

虎嗅：在众多业务场景中，你们如何决定优先开发哪个 Agent？初期业务部门是否会有抵触情绪？

张雷： Agent 的使用推广有一个循序渐进的过程，当业务发现 Agent 确实能够解决问题，接受度也就不断提高。例如，客服 Agent"C 睿 " 应用后，在业务量上升，客服人员流动性大的背景下，服务水平和满意度都没有下降，并拓展了服务边界。

过去，客服是一个独立组织，为不同平台和品牌提供服务。现在，我们可以把客服能力拆开，嵌入不同业务条线，提高消费者服务的一致性。

以催单场景为例：过去消费者来电反映外卖尚未送达，客服查询订单后，需要打电话联系餐厅经理，询问为什么还没有出单或送出。餐厅经理忙碌时可能无法及时回复。几分钟后消费者再次来电，客服仍然不知道订单究竟卡在餐厅、骑手还是其他环节，只能重复打电话，整个流程效率很低。

当 Agent 嵌入业务端，就可以实时了解餐厅订单状态，主动联系骑手站长或骑手，也可以直接联系消费者告知延迟原因，这样，客服能力就真正与业务流程融合起来。我们其实并不是先去推动大家 " 接受 Agent"，而是先找到业务痛点，只要它真正创造了价值，业务部门的态度通常会从观望变成主动拥抱。

虎嗅：一线门店的员工在使用这些 AI 工具时，是否存在习惯上的阻力？毕竟他们不是 IT 背景出身。

张雷：在总部，我们自研的 " 百胜龙虾 "（辰光个人助理）起到了很大的推动作用。过去大家觉得 Agent 仍停留在 " 你问我答 " 的阶段；" 辰光 " 出来以后，大家发现它真的可以工作，比如撰写行业报告、财务分析等。总部同事受到很大触动，也更愿意接受 AI。

对门店员工而言，障碍反而较小。他们日常工作琐碎，如果 Agent 能真正减少手工或桌面操作，他们乐于接受。关键是找到他们最不愿做的事情。例如遇到外卖延迟时，"D 睿 " 会联系骑手站长、骑手和相关人员。这真正解放了餐厅经理，尤其是在餐厅最忙碌的时候。不停打电话、与不同的人沟通，是忙碌时很让人头疼的工作，Agent 可持续跟进，也帮助我们提升服务质量。人不愿意做的这些事情，可以交给智能体处理。

但是，AI 只是赋能，不是替代人，最后做决定的是人，而且也只有人才能去负责任。

虎嗅：你们在链博会上展示了 AGV 机器人和无人配送车，但为什么在门店内部反而没有大规模引入服务机器人？

张雷：我们很早就开始尝试机器人，但是餐厅不是流水线，产能不固定。到了餐期，客流会突然增加，非餐期又可能客人很少。如果一家门店配置五台机器人，忙的时候可能仍然不够，闲的时候大部分又都要闲置。人的排班则可以动态调整，午餐时段可以安排五个人，非餐期安排两个人；但机器人很难这样灵活调配。制造业流水线的产能相对固定，机械臂每天执行的任务也相对一致，餐厅并不是这样的环境。

同时，相对流水线，餐厅任务的复杂度更大，有些任务对人而言很简单，对机器人却很困难。当然，我们还是会持续探索，期待随着技术的进步，机器人可以承担餐厅里更多的工作。