肯德基母公司来了个 “新同事”，30 万员工都得和它搭档

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。