肯德基母公司来了个 “新同事”，30 万员工都得和它搭档

给AI发工号、定KPI，百胜中国如何重写万店模型？ 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