Advantage Solutions：把分散 AI 实验变成企业能力

四千家品牌、六万名一线员工和一个治理真空

Advantage Solutions 是北美零售服务行业的大型中间商，连接约四千家消费品制造商与它们的零售渠道。公司拥有六万名一线员工，负责产品演示、货架补货和夜间理货，服务范围覆盖美国超过 90% 的邮政编码区域。公司每年管理约七千万个一线运营劳动小时，涵盖门店产品演示、零售商品陈列路线和夜间补货等高度重复但对品牌至关重要的工作。

进入 2026 年时，Advantage 并非 AI 的门外汉。公司各处已有零散的 AI 实验——其中一个产品演示业务单元已将其排班工作的 90% 实现自动化，该单元每天需要处理数千个班次。但这些实验分散在不同团队，没有统一的负责人、治理框架或优先级排序。一个业务单元的成功经验无法被另一个单元复用，而高管层对"公司到底有多少 AI 项目在跑"这个问题也缺乏清晰答案。

这是许多大型服务企业面临的典型困境：不是缺少创新意愿，而是缺少把创新从孤岛变成基础设施的组织能力。对 Advantage 来说，问题尤其紧迫——六万人的一线团队意味着即使每人每天节省几分钟，年度累计效应也极为可观；但同样意味着任何未经验证的工具如果仓促推广，风险也会被六万倍放大。

先做诊断，不急着铺工具

2026 年第一季度，Advantage 与咨询机构 Tenex 开展了一次企业 AI 诊断。这次诊断的目标不是寻找"最酷的 AI 用例"，而是回答三个基本问题：公司已有哪些 AI 实验？它们各自处于什么成熟度？治理、能力和优先级的缺口在哪里？

诊断结果揭示了超过五十个成熟度不一的活跃用例。有些已经在生产环境中运行，有些还停留在概念验证阶段，还有一些已经被团队悄悄放弃但从未正式关闭。更重要的是，诊断指出了三个结构性缺口：没有跨业务单元的治理机制，没有统一的能力建设路径，也没有基于业务价值的优先级排序。

图表 1

从诊断到治理：Advantage Solutions 的 AI 组织架构

基于诊断结果，Advantage 做了一个关键的组织决策：设立 AI office，向由首席执行官支持的高管委员会汇报。首席 AI 官 Bethany Miles 表示："我们需要一个中心力量来真正思考我们在哪里投入时间和资源，以便在组织中进行部署。"这个委员会不是咨询性质的，而是定期审查项目组合、决定资源分配的决策机构。AI office 的职责是把分散的实验纳入统一视野，为高管委员会的审查和决策提供支持。DataHub 判断：官方原文描述了 AI office 的项目组合管理和向高管委员会汇报的职能，但未详细说明其在业务价值排序和资源匹配方面的具体操作方式，此处描述基于官方披露的组织架构信息。

从一百五十人开始：高管先用，再向下扩散

Advantage 选择了一条不常见的推广路径：不是先在基层找试点团队，而是先培训高管。超过一百五十名高管和领导者接受了 Claude 培训，其中包括首席执行官 Dave Peacock 本人。Peacock 对此的解释很直接："你不能要求一个组织转型，而它的领导者自己还没有做过这些工作。"

培训课程由 Tenex 协助设计，分为三个层级。第一层是聊天入门（101），帮助用户理解基本的对话式交互；第二层围绕 Claude Cowork（201），教授如何处理多源工作流；第三层针对 Claude Code（301），面向有技术背景的高级用户。这种分层设计意味着不同角色可以在自己的能力范围内找到切入点，而不是被迫学习与自己工作无关的技术细节。

图表 2

实施顺序与人机协作：从高管试点到业务扩散

在试点进行过程中，一个关键的扩散机制自然涌现：超过五十名业务单元 champions 开始在各自的职能中构建 Claude 解决方案。官方原文描述这些 champions 是在试点过程中自然出现的（"a growing network of business unit champions began emerging across the pilot"），而非试点完成验证后才启动的独立阶段。这些 champions 不是 IT 部门指派的技术联络人，而是在自己的业务领域中主动构建解决方案的高级用户——覆盖财务、零售商品陈列、企业沟通等职能。

这种"高管先行、champions 涌现"的模式有一个明显的好处：它确保了每一层的采用都有上一层的理解和支持。但它也有一个隐含的风险——官方材料未披露 AI office 的审批标准、风险分级和项目下线机制，这意味着我们无法判断当某个 champion 构建的解决方案出现质量问题时，组织如何响应和回退。

已落地的工作流、在建工具和企业沟通应用

在具体的业务场景中，官方案例披露了多个不同成熟度的应用。

财务预测核验（已落地）。财务规划与分析总监 Ash Gupta 此前每个预测周期需要花费约十个小时完成幻灯片、评论和核验的组装工作——收集数据、交叉比对、格式化输出、检查一致性。他用 Claude 自动完成了这些组装工作，使整个流程压缩到三十分钟以内。Gupta 的原话是："Claude 把所有这些工作从我们的盘子里拿走了。现在我们在做财务本该做的事：发现洞察、驱动决策。对于一个支撑这种规模业务的团队来说，这是一个有意义的转变。"

图片

Advantage Solutions 的零售服务现场

门店路线建模（已落地，仍在从原型转化为可部署方案）。零售商品陈列团队的一名高级用户用 Claude Code 构建了一个门店路线模型，用于优化一线员工在不同门店之间的行进路径。这个模型已经开始出现在客户提案中，并且正在被积极试点以帮助现有客户优化零售执行策略。但需要注意的是，官方原文明确指出 Advantage 正在将这个原型转化为可部署的解决方案（"turning the prototype into a deployable solution"），这意味着它目前仍处于原型到产品的过渡阶段，尚未成为成熟的生产工具。

事件管理合规检查（在建）。这是目前最大的一线运营在建项目。传统流程中，负责门店产品演示的事件经理（event manager）每个班次需要用荧光笔和纸质表格逐项核对供应可用性和合规项目，每次耗时二十到三十分钟。Advantage 正在建设一个部分使用 Claude Code 的工具，让事件经理拍摄推车陈列（cart setup）的照片，几分钟内获得经过验证的合规检查结果。公司预测这项自动化在整个网络中每年可重新分配超过七万个劳动小时。首席 AI 官 Miles 补充说："这意味着他们可以更多地在卖场与我们的同事在一起，帮助其他同事获得培训。"但需要明确的是，这个工具仍在建设和扩展阶段，七万小时是项目预测值，而非已经兑现或经过审计的收益。将这一数字放在公司每年约七千万劳动小时的总量中理解，七万小时约占总量的 0.1%——这并不削弱其价值（首席运营官 George Johnson 强调"那是真实的人、真实的班次、真实的时间"），但有助于读者理解其相对规模。

企业沟通（已落地）。Claude Cowork 已成为公司沟通方式的一部分。CEO Peacock 在公司有史以来第一封股东信中使用了 Claude 来辅助打磨内容，并在信末公开附上了关于 Claude 参与角色的 AI 尽职说明。首席 AI 官 Miles 也在 CEO 办公室中将 Claude Cowork 作为日常工作助手，用于文件调取、信息综合和工作流创建，以便她和 Peacock 能把更多时间用于更高层次的工作。

新员工入职时间压缩（在建）。Miles 指出，新员工从接受 Advantage 的录用到开始第一个班次之间存在时间差距，"我们想缩短它。一个人越早完成培训并上岗，对他们越好，我们为客户的表现也越好。"Advantage 正在使用 Claude Code 与 Tenex 合作，重新设计与新员工的沟通渠道并压缩这一时间线。这一项目仍在建设中，官方材料未披露具体的时间压缩目标或已实现的改善幅度。

结果的口径与不能确定的事

官方案例披露的量化结果需要按口径分开理解。

已实现的结果只有一个明确的数据点：财务规划与分析总监 Ash Gupta 的周期性财务预测核验工作流从每周约十小时压缩到三十分钟以内。这是一个具体的、已经在运行的工作流改进。但官方材料未披露这个结果的观察周期有多长、是否经过独立复核、以及输出质量如何衡量。我们也不知道这个"十小时"是一个人的工作量还是多人协作的总时间，"三十分钟"是否包含人工审查环节。

预测性结果是事件管理合规检查工具预计每年可重新分配超过七万个劳动小时。这个数字的计算基础——比如覆盖多少门店、每次检查节省多少时间、误报率和人工复核成本——官方材料均未披露。将其置于公司每年约七千万劳动小时的总量中，七万小时约占 0.1%。它不能被写成已经实现的收益。

图表 3

结果口径与证据边界

组织采用数据方面，Claude 的使用范围从一百五十人试点扩展到数千名用户，业务中自然出现的 AI 用例从诊断时的五十个增长到超过一百个。但"数千名用户"的确切当前人数和周活跃率，官方材料未披露。企业推广计划持续到 2026 年底，这意味着我们看到的是一个仍在进行中的过程，而不是一个已经完成的转型。

此外，整个案例由供应商 Anthropic 发布，未见独立第三方审计。这不意味着数据不可信，但意味着读者在引用这些数字时应当保留口径说明。

对类似企业的迁移判断

Advantage Solutions 的案例对其他大型服务企业有几个具体的参考点。

"先诊断后部署"的路径适用于已有分散 AI 实验但缺乏全局视野的组织。前提是企业愿意投入时间做一次诚实的盘点，而不是急于宣布一个统一平台。Advantage 的诊断由外部咨询机构 Tenex 协助完成，Tenex 在后续的培训课程设计和 Claude Code 技术实施中也持续介入——这意味着复现这一路径的企业需要评估自身是否具备内部诊断能力，或是否需要类似的外部合作伙伴。

"高管先行"的培训策略适用于 AI 采用需要跨部门协调和预算支持的场景。前提是高管层有足够的时间和意愿亲自使用工具。Advantage 的 CEO 不仅自己接受了培训，还在公司首封股东信中公开了 AI 的参与角色——这种自上而下的信号在高管更替频繁或决策高度分权的组织中可能难以复制。

Champions 涌现模式适用于业务单元差异大、无法用单一模板覆盖所有场景的企业。Advantage 的经验表明 champions 可以在试点过程中自然涌现，但前提是 champions 有足够的业务理解和技术能力来构建可靠的解决方案，并且组织有机制来审查这些解决方案的质量。Advantage 的 AI office 和高管委员会提供了治理框架，但具体的质量控制点和异常回退方式官方材料未披露——任何试图复现这一模式的企业都应当在启动前明确这些机制。

关键数字的相对意义

图表 4

七万小时预测值在年度七千万劳动小时中的相对位置