前言：当下AI技术飞速普及，无数企业扎堆落地AI Coding、各类Agent工具，试图借助AI打破效率瓶颈、实现业务增长。但绝大多数企业的AI落地都陷入了同一个困境：投入大量算力、人力、资源，看似全员AI赋能，最终业务效率、经营收益的提升却微乎其微。
京东集团高级副总裁、京东集团产品委员会主席 胡喜
今日，在2026京东全球科技探索者大会（JDD）智能零售论坛演讲中，京东集团高级副总裁、京东集团产品委员会主席胡喜发表了题为《零售企业的AI变革之路》的精彩演讲。
演讲内容直击行业AI落地的普遍痛点，拆解了企业AI转型的核心误区。同时，胡喜结合京东零售最近一年多AI在业务场景的真实落地实践，分享了京东零售AI Native的落地范式，从产研研发、商业经营两大核心场景，揭示了企业AI落地见效的底层逻辑以及他的观察和思考。
胡喜的一些精彩观点：
**1. 企业 AI 落地低效的核心症结，不是工具不行，而是只优化个体、不改组织协作。**当下业内陷入了 AI 落地的认知误区：过度聚焦个体生产力提升，忽视了企业组织生产力的核心瓶颈。编码开发仅占企业研发工作的 20%，80% 的效率损耗来自跨部门协作、方案评审、需求对齐，AI 只能解决个体执行问题，无法修复组织协作短板，这也是多数企业 AI 提效微乎其微的根本原因。
**2. 产业技术革命的核心飞跃，从来不是技术升级，而是协作关系升级。**每一次产业技术革命，真正的核心飞跃从来不是单纯的技术升级，而是技术驱动的分工协作关系升级。当下企业 AI 转型的最大挑战，从来不是如何用好 AI 工具，而是如何用 AI 重构企业组织协作模式，解锁组织生产力。
**3. AI 下半场企业核心壁垒不在模型之内，而在模型之外。**未来 1-2 年，大模型基础能力将快速趋同，最终会像水电煤一样成为通用基础设施。企业 AI 核心竞争力，从来不在模型算力、参数跑分上，而是沉淀企业专属的业务上下文、协同体系与持续学习闭环，这是任何通用模型都无法复刻的壁垒。
**4. AI 不会颠覆企业原有组织，只会赋能和升级传统协作体系。**AI Native 不是消灭企业原有岗位与组织，市面上 "AI 替代岗位、一人公司" 的说法并不现实。真正的企业 AI 落地，是保留原有组织架构与协作逻辑，用 AI 全局统筹、智能推理、辅助协同，让传统组织变得更高效、更专业，而非颠覆重构。
**5. 企业 AI 落地的终极价值，是实现人力资本与数字资本的双向复利。**单次 AI 功能落地没有长期价值，真正的核心是搭建持续学习闭环。将员工的实操经验、业务人力资本持续蒸馏为数字化资本，迭代优化 AI 体系；同时迭代后的智能体系反向赋能员工成长，让组织、人才、AI 形成越用越聪明的正向复利循环。
01 行业普遍困局：AI个体提效火热，企业整体效率停滞
近几年，AI行业的发展重心逐步从C端用户场景转向B端企业服务场景。相较于C端体验的模糊提升，B端企业AI落地的价值可量化、可衡量，人力节省、效率提升、ROI增长等指标清晰直观，这也是无数企业深耕产业AI的核心原因。
为此，各行各业企业都开启了大规模AI赋能行动，两大落地方式成为行业主流：全员普及AI Coding、批量部署各类业务Agent。但真实的落地数据，却给行业的盲目热潮泼了一盆冷水。
胡喜在演讲中分享了京东零售的真实内部数据：京东零售内部产研全员推行AI Coding，每周统计各团队落地案例，覆盖测试、研发、前后端、算法等全岗位场景，AI编码占比高达55%，但最终整体研发需求吞吐量仅提升2.1%，几乎没有实现规模化效率突破。
与此同时，2025年初行业掀起的Agent落地热潮，同样陷入了"投入大、收效微"的困境。各大企业纷纷研发专属Agent、搭建专属技能工具，看似替代了员工写文档、做PPT、整理分析报告等重复性工作，解放了个体生产力，但落地到企业核心业务、核心经营指标上，效果依旧不尽人意。
这一现象的核心症结，并非AI技术能力不足，而是业内都陷入了AI落地的认知误区：过度聚焦个体生产力提升，忽视了企业组织生产力的核心瓶颈。
很多人误以为，企业效率低的根源是员工个人工作效率不足，只要用AI替代个人重复工作，就能实现整体提效。但真实的企业运转逻辑截然不同，尤其是现代化企业，精细化分工、跨部门协作是核心运转模式。
胡喜强调，传统软件工程体系中，真正编码开发的工作占比不足20%，剩余80%的时间和成本，全部消耗在需求对齐、方案研讨、模块划分、跨部门评审、风控财务对接、立项统筹等协同工作中。
AI Coding、个人Agent只能解决20%的个体执行问题，却无法优化80%的组织协作问题。当企业依然沿用传统的组织协作模式，即便员工个体生产力大幅提升，跨部门沟通扯皮、方案反复评审、业务边界模糊、全局统筹缺失等问题依旧存在，企业整体效率自然无法突破。
每一次产业技术革命，真正的核心飞跃从来不是单纯的技术升级，而是技术驱动的分工协作关系升级。当下企业AI转型的最大挑战，从来不是如何用好AI工具，而是如何用AI重构企业组织协作模式，解锁组织生产力，这也是企业AI落地能否成功的核心关键。
02 京东破局：两大AI Native项目，重构企业AI落地范式
针对行业普遍存在的组织生产力瓶颈，京东零售摒弃了"单点AI工具落地"的传统模式，深耕AI Native原生智能化体系。胡喜现场重点介绍了两大创新落地项目，分别覆盖产研研发与商业经营两大核心场景，探索出企业AI落地的全新解法。
这两个项目业务场景完全不同，却沉淀出一套统一的、可复用的企业AI运行范式，打破了个体提效的局限，实现了从个人赋能到组织赋能的跨越。
场景一：JoyAI Oxygen SE项目，重塑产研全链路智能化研发体系
JoyAI Oxygen SE是京东零售打造的全新软件工程智能化体系，聚焦产研全流程提效，解决传统研发流程中沟通成本高、方案落地难、全局统筹弱、发布风险大等核心痛点。
胡喜以直播频道膨胀券GMV提升项目为例，拆解了这套体系的完整运行逻辑。
传统产研项目落地，最大的难点从来不是编码开发，而是前期的需求对齐与方案设计。一个简单的营销迭代项目，需要产品、研发、运营、财务、风控等多部门反复开会研讨，页面布局、功能模块、流量匹配、风险管控等细节反复拉扯，耗时极长且极易出现方案偏差。
而依托京东零售JoyAI Oxygen SE体系，整个产研流程实现了全链路智能化、标准化、自动化，全程分为五大核心环节，重构传统研发协作模式。
首先是智能目标确认与方案生成。团队只需输入BRD业务需求文档，系统即可依托京东内部沉淀的海量业务经验、产品设计知识库、流量与用户体验数据，自动匹配关联产品模块，快速生成高保真、贴近线上生产环境的产品Demo原型。
同时，结合历史线上数据，智能优化页面布局、功能漏斗、交互逻辑，替代以往人工反复争论、试错的过程，极大缩短需求落地前期的沟通成本。
其次是全局架构智能推理。系统可基于生成的PRD产品文档和Demo原型，联动内部全域技术领域知识，自动推演项目所需的技术架构改动，精准拆解到二级业务域，清晰划分前台、后台各系统、各模块的改动范围。
以直播膨胀券项目为例，该系统可精准识别出项目涉及30个业务域、上百个系统的联动改动，同时自动匹配风控、高可用、分布式架构、财税合规等横向技术切面的设计要求。
这一环节替代了传统人工逐一对接各技术部门、反复评估改动范围的低效模式，规避了人工评估易遗漏、统筹不全面的问题。
第三是全域业务协同对齐。系统将智能推演的架构方案、模块改动、设计细节，自动同步至各业务域、各岗位负责人。各领域专家可直接在线校验方案合理性，标注问题、优化建议，系统实时收集人工经验并迭代优化，最终自动生成各领域详细设计文档，完成工程设计全流程闭环。
第四是多Agent协同调度执行。依托完整的设计文档，系统可智能调度研发、测试、算法、运维等各类专属Agent，实现分岗位、分模块自动化作业。
研发Agent可读取全局上下文，遵循工程规范生成核心代码逻辑、补充单元测试；测试Agent自动梳理测试范围、生成测试用例、执行测试任务、捕捉缺陷问题；算法、数据Agent同步完成对应模块的参数调整与数据适配。
最后是智能发布与风险管控。发布阶段，系统Agent可全面读取项目所有改动信息，包括新增中间件、数据库、数据表、系统模块等，自动规划灰度发布节奏，分批部署、智能引流验证，实时监控日志数据与业务指标，自动排查发布风险、生成复盘报告，保障项目平稳上线。
整套流程打通了从需求澄清、方案设计、架构推演、协同开发、测试验证到上线发布的全链路智能化闭环，解决了传统产研流程中协作混乱、效率低下、风险不可控的核心问题。
场景二：JoyAI Oxygen Retail全托管项目，实现经营决策全域智能化
如果说JoyAI Oxygen SE重构了企业产研研发体系，那么京东零售的JoyAI Oxygen Retail全托管项目，则颠覆了传统采销经营模式，实现企业经营决策、货盘运营的全流程智能化托管。
传统零售采销运营极度依赖人工经验，一场常规的节日大促运营，需要采销人员联动商品、流量、营销、广告、供应链、财务等多个部门，拆解货盘、制定策略、落地执行、复盘优化，流程繁琐、人力成本极高，且人工运营难以实现精细化、规模化管控。
以开学季图书品类运营场景为例，拆解了这套经营智能体系的落地逻辑，核心目标是实现开学季图书销售同比增长30%。
第一步，精准目标定义与约束锁定。采销人员只需在货盘广场定义开学季核心货盘，明确销售增长目标、定价区间、成本约束、广告预算等核心条件，无需后续人工全程跟进，系统自动承接全流程运营工作。
第二步，全域货盘智能推理与策略拆解。系统依托京东沉淀的零售采销知识库、经营元数据与专属大模型能力，自动拆解货盘结构，区分新品、爆品、长尾品、滞销品等不同商品类型，针对不同品类匹配专属运营策略，涵盖商品装修、流量获取、广告投放、营销活动、场景联动等全维度方案。
第三步，多领域专家策略对齐。系统将智能生成的全套运营策略，同步下发至搜索、商品、内容、营销、广告等各专业领域，由行业专家校验策略合理性、校准细节参数，规避AI策略脱离业务实际的问题，实现智能能力与人工专业能力的深度结合。
第四步，多Agent自动化落地执行。策略对齐完成后，各业务域专属Agent自动承接落地工作：搜索Agent联动开学季热点场景，优化商品搜索关键词、关联场景化导购词；商品Agent自动优化主图、详情页、品类标签，适配节日营销场景；内容Agent自动化生成开学季书单、科普内容、推荐文案；营销、广告Agent自动落地会场搭建、活动配置、投放计划，实现全流程无人化运营。
第五步，7×24小时持续监控迭代。系统全天候盯盘，实时监控货盘数据波动、市场热点变化、商品销售转化情况，自动复盘策略效果、识别运营问题、迭代优化方案，形成持续优化的经营闭环。
目前这套零售经营智能化体系已实现规模化落地，累计托管20万京东自营商品，整体动销率提升超20个百分点，用真实数据验证了AI组织赋能的核心价值。
03 提炼核心范式：五步闭环，解锁企业AI原生能力
从产研研发到零售经营，京东两大核心场景的AI落地实践，看似业务形态不同，却沉淀出一套通用的企业AI Native运行范式，区别于行业单点工具化AI落地模式，也是京东AI能够实现组织级提效的核心关键。整套范式分为五大核心步骤，环环相扣、持续迭代。
第一，精准目标确认。摒弃传统模糊的需求提报模式，实现全员共同定义统一目标，从源头杜绝目标偏差、认知分歧，规避后续跨部门扯皮、方案反复调整的无效内耗。
第二，全局业务推理。AI不再是简单回答单一问题，而是依托企业全域知识与数据，深度理解业务逻辑、全局链路，输出最优的全局解决方案，替代人工碎片化、经验化的片面判断。
第三，全域业务对齐。AI生成方案后，通过分布式协同机制，下发至各业务域、各岗位专家校验优化，保留企业原有组织架构与协作逻辑，用AI赋能传统协作，而非颠覆组织，实现智能能力与人工经验的深度融合。
第四，多Agent协同调度。打通企业内部所有细分岗位的专属Agent，打破数据孤岛、能力孤岛，以统一AI大脑统筹调度全域智能体，实现自上而下、自下而上的双向高效落地。
第五，持续迭代对齐。单次落地交付不是终点，而是能力迭代的起点。系统持续沉淀每一次项目落地、经营运营中的人工经验、业务数据、方案优化逻辑，不断完善企业知识库与模型能力，形成越用越精准、越用越智能的正向循环。
这套范式的核心变革，是将传统"人找人、点对点"的低效协作，升级为"上下文找能力、全局统筹、精准落地、持续进化"的AI原生协作模式，实现了从个体提效到组织提效的质变。
04 底层核心壁垒：Model×Context×Learning Loop三重能力闭环
行业多数企业认为，AI落地的核心竞争力是大模型本身的算力与参数能力。但胡喜在演讲中明确提出：未来1-2年，大模型基础能力将快速趋同，最终会像水电煤一样成为通用基础设施，企业AI核心竞争力，从来不在模型之内，而在模型之外。
京东零售AI Native体系能够持续落地见效，核心依托于Model（模型）×Context（企业上下文）×Learning Loop（学习闭环）三重底层能力，这也是企业构建AI差异化壁垒的关键。
1. Model：可控、适配、可迭代的模型底座
在模型层面，京东不盲目追求极致跑分，而是聚焦企业业务适配性与风险可控性，构建三层模型体系。
首先，坚持选用业界SOTA基础模型，整合开源与自研资源，保障基础智能能力领先；
其次，搭建专属MaaS服务体系，通过微调、蒸馏等方式，深度融入电商、产研专属业务知识，完成模型业务适配；
最后，搭建专属电商评测标准与数据集，这是模型落地的核心关键。
胡喜着重强调，业界跑分优异的模型，未必适配企业真实业务场景。企业必须搭建贴合自身业务的评测体系，才能筛选出成本可控、能力适配、风险可控的模型，避免被单一模型绑定，实现多模型灵活接入、稳定落地。
同时，京东自研xLLM推理引擎，接入国产化硬件，进一步降低推理成本、保障供应链安全与算力稳定性，为全域AI落地提供坚实底座支撑。
2. Context：企业数十年沉淀的数字化原生上下文
很多企业将AI上下文简单等同于通用知识库，这是核心认知误区。胡喜表示，真正的企业上下文，是企业数十年业务运转、组织协作、决策逻辑的完整数字表达，不止是静态知识，更是企业做事的核心规则、判断依据、流程标准与经验沉淀。
这部分能力没有捷径可走，是需要长期深耕的"脏活累活"。
京东零售深耕产研、经营两大场景的元数据建设，一方面梳理需求、代码、架构、规范等产研元数据，完成页面元素、功能模块、研发流程的全维度建模；另一方面沉淀商品、用户、供应链、营销、财税等经营元数据，通过持续蒸馏、标注、对齐，让AI真正读懂京东的业务逻辑与组织逻辑。
依托完整的上下文体系，AI才能实现全局业务推理、精准方案输出，脱离企业上下文的大模型，只是没有业务灵魂的通用工具，无法解决企业真实问题。
同时，京东通过分布式对齐机制，让上下文能够贯穿业务全流程，在协作中持续校验、优化，适配企业动态变化的业务与组织形态。
3. Learning Loop：人力资本与数字资本的复利闭环
学习闭环是企业AI能够持续进化、形成长期壁垒的核心。单次AI落地只能实现单次提效，而持续迭代的Learning Loop，能够让企业AI能力、员工能力、组织能力同步复利增长。
这套闭环的核心逻辑，是将企业员工的人力资本、实操经验，持续蒸馏为可沉淀、可复用的数字Token资本，反哺模型与上下文迭代；而迭代后的智能体系，又能反向赋能员工，降低工作门槛、提升专业能力，实现人机双向成长。
依托这套闭环，京东不仅实现了业务效率的持续提升，更探索出人才培养的全新模式。通过AI仿真业务场景、沉淀全维度业务知识，新人可依托智能体系快速学习业务、熟悉流程、积累经验，打破传统"师徒带教"的局限，实现人才规模化、快速化成长。
胡喜坦言，这套学习闭环仍在持续迭代优化，未来有望改变企业的工作模式与组织形态，让企业智能真正实现"越用越聪明、越跑越高效"。
05 未来展望：AI重构企业核心竞争力，赋能全域业务生态
当下，京东零售的AI Native体系已在产研、采销、客服三大场景完成落地验证，均实现了明显效率与业绩提升。后续京东将持续打磨这套通用AI智能化平台，逐步赋能财务、营销、供应链等全域业务体系，实现零售全场景AI原生升级。
AI产业的下半场，早已不是模型参数、算力的比拼，而是企业组织智能化能力、业务适配能力、持续迭代能力的全方位竞争。
目前，京东正在实现从"个体生产力赋能"到"组织生产力重构"的跨越。未来企业的核心竞争力，不再是掌握顶尖的大模型，而是拥有一套适配自身业务、可自我迭代、可全域复用的AI原生组织运行体系，实现人力资本与数字资本的双向复利增长，这也是产业AI落地的终极形态。