Insights | Plataforma BXTData de monitoramento e análise de dados omnichannel para bens de consumo

老干妈把AI装进质检线，54亿营收背后的口径

10月13日，老干妈突然成为全网关注的话题，原因不是新品发布，也不是营销投放：据多家媒体报道，这家长期停更社交账号的国民食品品牌，去年的营收回到了历史峰值54亿元，而厂区上线了一套全链路AI管理系统，其中被讨论最多的是AI质检与原料追溯。79岁的陶华碧在公开表述中被形容为「宝刀不老」，而分析者更关注的是另一层意思：AI在这家企业里扮演的是守门员，不是前锋，真正被守住的仍然是那口稳定的味道。对正在做数字化投入的传统零售与消费品企业而言，这个案例提供了难得的正面样本。

核心结论

这个案例的关键不在于AI技术本身，而在于它被放在了一个可验收的位置上。据搜狐报道，老干妈去年营收回到历史峰值54亿元(Sohu)，厂区引入全链路AI管理系统，靠AI质检与原料追溯恢复口碑。质检与追溯都是结果可量化、责任可归属的环节，AI在这里承担的是判据而不是创意，因此落地阻力远小于营销端的智能化改造。

把个案放回行业背景，投入方向的转向已经比较清晰。国家统计局数据显示，2026年1—8月份社会消费品零售总额327569亿元，同比增长1.1%(NBS)，消费增速低位运行意味着企业难以依靠增量市场获得增长，只能从效率与质量里找空间。据中国连锁经营协会的行业动态，连锁零售企业正在把数字化投入转向供应链、门店运营与数据治理(China Shop)，与老干妈把预算投向质检线是同一个逻辑：越靠近成本与质量的地方，投入的回报越容易被证明。

现场观察：从食品厂到全链路AI管理

质检环节的变化

质检环节的变化最容易被感知。传统人工抽检依赖感官经验，一致性受班次、人员与批次影响，问题往往在成品入库后才被发现。据中华网报道，老干妈厂区的全链路AI管理系统覆盖从原料到成品的多个环节(China.com)，把判定标准前置到更早的工序。当判据从个人经验转为统一参数，同一批原料在不同班次得到的结论才有可能一致，这对调味品这类高度依赖风味稳定性的品类尤其关键。

追溯链的断点在哪

追溯链的价值取决于最薄弱的一环。多数企业的追溯能力止步于成品批号，无法回推到具体原料供应商与生产时段；一旦出现质量反馈，排查范围只能按整批处理，损耗与响应时间都被放大。据另一篇分析指出，老干妈长期停更社交账号，却因工厂端的AI改造重回公众视野(Sohu)，说明品牌热度可以不依赖内容投放，而来自生产端效率与质量的改善。

最佳实践

第一条实践是把AI的落点选在「有标准答案」的环节。质检、追溯、排产与库存周转都有明确的判定标准，模型的表现可以直接与人工基线比较；相比之下，创意、定价与用户洞察缺乏即时反馈，投入产出难以在短期内验证。先做可验证的环节，才能用真实结果换取组织内部对后续投入的信任。

第二条实践是把模型输出接入既有流程，而不是另起一套系统。AI判定的结果如果不进入工单、不触发复检、不影响批次放行，就会退化成一块看板。有效做法是明确三件事：谁接收模型告警、在多长时间内响应、响应结果如何回流成为新的训练数据。这三件事定下来，系统才算真正上线。

常见误区

第一个误区是把AI当成替代人的方案。在质检这类环节，模型擅长的是在高频重复判断中保持一致性，而不擅长处理从未见过的异常；把最终判定权完全交给模型，反而会放大长尾风险。更稳妥的结构是模型负责全量初筛、人负责边界样本复核，让人力集中在真正需要经验的位置上。

第二个误区是只算技术成本，不算数据治理成本。原料追溯需要供应商、批次、工序与仓储四类数据在同一口径下对齐，而这类基础工作往往占据项目的大部分时间。如果前期没有把数据标准统一，模型上线后仍会因输入不一致而反复返工，最终把成本推高到无法解释的程度。

落地口径的四步验证

从单点上线到全链路

四步验证的第一层是单点验证：选一条产线或一个品类，把模型判定与人工判定做双盲比对，确认准确率与漏检率。第二层是流程验证：确认模型输出能够触发工单与复检，响应时长进入考核。第三层是链路验证：把原料、生产与成品三段数据打通，检查是否具备从成品回推到原料的能力。第四层是经营验证：把质量成本、退货率与客诉率放在同一张表上观察变化。

验收该看什么指标

验收指标需要提前约定，避免上线后再倒推口径。建议至少包含四项：批次判定一致率、异常样本的平均响应时长、追溯回推的完整率、以及单位产量下的质量成本。四项指标中任何一项无法量化，都说明项目的验收标准还没准备好。从行业看，这类投入的必要性也在上升：据中国政府网披露，上半年全国网上商品和服务零售额100715亿元，同比增长5.2%，线上渠道对质量一致性的要求只会更高。