李维斯(Levi Strauss & Co.)于近日宣布,作为其多年数字化转型计划的重要组成部分,公司已在全球范围内完成超过80%业务流程的标准化,其中核心举措是迁移至基于云端的企业资源规划系统SAP S/4 Fashion。李维斯同时作为客户参与方,出席了本周举办的SAP Sapphire 2026大会。
此次转型成果显著:超过90套遗留系统已完成退役,逾2600名员工得以在统一平台上协同工作,共享同一数据集与业务流程。值得注意的是,李维斯并未选择高度定制化的ERP方案,而是直接采用SAP的标准功能,以此为平台构建长期灵活性。
"我们打造这个平台,并非为了解决当下的问题,"李维斯首席数字与技术官Jason Gowans在声明中表示,"我们建设它,是为了跟上市场要求的速度,并在AI与自动化能力出现时第一时间加以利用。"
李维斯全球ERP现代化的核心逻辑,在于通过统一平台来把握新技术机遇、响应消费者需求,同时提升运营效率。
目前,李维斯已开始将AI嵌入其ERP系统,部署可处理销售订单、管理供应商合规任务及自动录入发票的智能体,而这些工作此前均需人工完成。此外,李维斯与SAP合作开发了一套系统升级流程,整个升级仅需约20分钟,相较于行业通行的48小时大幅缩短。
上个月,李维斯完成了东亚太平洋及中国区共14个国家运营系统向全球统一ERP平台的迁移,此前已完成上线的地区包括墨西哥、加拿大、美国、南非和印度。目前,公司正推进安第斯地区、巴西及欧洲的迁移工作,预计于2027年中期完成。
ERP迁移是李维斯最重要的现代化举措,但并非唯一一项。公司还与微软合作,在IT、人力资源和运营等领域部署由"超级智能体"统一调度的智能体框架,并已推出两款AI工具——面向门店运营的Stitch,以及辅助消费者搭配穿搭的Outfitting。
"这些举措正在从根本上重塑公司,为打造大胆的未来奠定基础,不仅为消费者体验创造了实质性提升空间,也释放了更多运营效率红利。"李维斯首席执行官Michelle Gass在今年1月的2025财年第四季度财报电话会议上如此表示。
其他零售企业同样在积极推进基础设施现代化,这通常也是支撑AI战略落地的必要前提。俄亥俄州食品企业Marzetti便主导了一项历时数年的ERP迁移计划,迁移至SAP S/4HANA,为AI及其他项目构建了更加统一的技术基础。
在零售行业,AI有望对购物和消费体验产生深远影响。麦肯锡与ICSC于今年4月联合发布的报告预测,到2030年,AI在美国零售领域的潜在收入贡献或高达1万亿美元。调查显示,近七成消费者表示在过去三个月内使用过至少一种AI工具,其中62%的消费者借助AI进行品牌、价格和评价的比较。
Q&A
Q1:李维斯迁移到SAP S/4 Fashion平台带来了哪些具体变化?
A:迁移完成后,超过90套遗留系统已退役,逾2600名员工可在统一平台上协同工作,共享同一数据集与业务流程。此外,与SAP合作开发的新升级流程仅需约20分钟即可完成,而行业通常需要48小时,效率大幅提升。
Q2:李维斯在ERP系统中如何应用AI智能体?
A:李维斯已在ERP系统中部署AI智能体,能够自动处理销售订单、管理供应商合规任务以及录入发票,这些工作此前均依赖人工操作。公司还与微软合作,构建由"超级智能体"统一调度的智能体框架,覆盖IT、人力资源和运营等多个业务领域。
Q3:AI对零售行业未来的影响有多大?
A:根据麦肯锡与ICSC于2026年4月联合发布的报告,AI到2030年在美国零售市场的潜在收入贡献预计高达1万亿美元。近七成消费者表示近三个月内使用过AI工具,其中62%用于比较品牌、价格和用户评价,显示AI正深度融入消费者的购物决策过程。
好文章,需要你的鼓励
Uber年度失物报告首次纳入无人驾驶出租车数据。过去一年,乘客在Uber平台的机器人出租车中遗留了数千件物品,包括手机、钥匙、钱包等常见物品,以及假牙、15磅溜溜球等奇特物件。乘客可通过App联系客服找回失物,支付15美元即可享受同城配送,或前往车辆停放站自取。Uber表示,将依托现有运营体系为自动驾驶业务提供全面支持,计划2025年底前在全球15座城市开通无人驾驶打车服务。
TREK方法通过引入外部验证解法对AI进行短期校准,解决了GRPO训练在困难题目上因无法探索正确解法区域而陷入瓶颈的问题,在数学推理和智能体任务上均取得明显提升。
Uber周三发布了一款基于现代Ioniq 5改装的数据采集原型车,搭载14个摄像头、8个固态激光雷达和9个雷达,通过英伟达双驱Thor计算机处理数据。Uber计划今年在全球部署500辆此类车辆,每月可采集200万英里高保真驾驶数据,供Avride、Waymo、WeRide等30余家自动驾驶合作伙伴使用。这是Uber自2020年出售自动驾驶部门以来首次自主组装车辆,也是其AV Labs部门的重要进展。
SkillOpt-Lite通过将智能体技能优化形式化为零阶优化问题,提出极简流水线:把执行轨迹存为文本文件,让AI直接用文件系统工具翻日志、找规律、改技能,配合独立验证门控,比复杂的多智能体优化框架跑得更快效果更好,并自然延伸至执行框架自动优化(HarnessOpt),使轻量模型能够超越大模型。