我们把 AI 塞进花店后，才知道 AI 落地有多脏

概览

本期围绕“AI 到底能不能落地”展开，主播用自己过去大半年经营一家真实花店、尝试用 AI 和互联网方法改造线下鲜花零售的经历做复盘。讨论不是从模型能力出发，而是从店铺、员工、订单、外卖平台、投流和履约这些具体脏活出发。

核心结论是：AI 确实能在一些具体环节产生价值，比如花款生成、替换花材返图、订单信息处理和语音辅助；但很多一开始拍脑袋想出来的需求，比如降低损耗、逐枝盘点、用系统精细控制员工，落到真实门店里并不成立。

节目还讨论了线下行业与互联网行业在人员管理、平台依赖、数据开放、用户行为上的差异。主播认为，AI 落地不能坐在电脑前想需求，必须真正进入行业、开店、接单、被平台考核、被客户追问，才知道什么功能真的有用。

分段落总结

[00:34] 从平台提示音进入 AI 落地复盘

[事实] 主播开场播放了外卖平台“顾客咨询，请在一分钟内回复”的提示音，并说自己听到这个声音会产生类似 PTSD 的反应。

[事实] 本期要复盘过去大半年用 AI 赋能线下业务的尝试，并回应“AI 到底能不能落地”的讨论。

[事实] 主播提到自己最近“烧了 50 亿 token”做相关尝试。

[推测] 开场提示音把讨论从抽象的 AI 叙事拉回到线下经营中的高频压力和平台规则。

[02:37] 美西游学与节目插播信息

[事实] 节目中提到原本报名已满的美国相关行程，因为有几位同学签证没下来，所以又释放了一些名额。

[事实] 行程计划在十月中去美西，并加入了维恩老师对接硅谷、投资者和传统公司的资源。

[事实] 主播还提到可能会有美国听友协助当地落地接待。

[04:27] 为什么选择线下花店做实验

[事实] 主播认为近几年互联网线上增量有限，获客成本越来越高，流量经济虽然成熟但已经变贵。

[事实] 他们希望把互联网和 AI 的方法反过来用于线下，帮助线下生意降本增效。

[事实] 最终选择了鲜花零售，尤其是街边花店和外卖花店这种末端零售场景，并自己开了一家真实花店来验证。

[推测] 选择花店的原因之一，是这个行业足够低数字化、流程复杂且平台依赖重，适合检验 AI 是否真的能进入业务现场。

[07:07] 第一个反直觉：花店不那么在乎损耗

[事实] 主播原本以为鲜花是生鲜行业，AI 首先应该帮助花店降低损耗。

[事实] 实际经营后发现，花店进货成本相对较低，只要卖出几束就可能回本，后续卖出的部分才是主要利润。

[事实] 主播认为花店更关心把花卖出去、创造收入，而不是把损耗压到最低。

[推测] 对这个行业来说，“开源”比“节流”更接近真实痛点，单纯围绕损耗设计产品容易跑偏。

[10:40] 花店订单流程高度依赖声音和纸张

[事实] 主播发现花艺师打花时双手都在忙，不能像互联网从业者想象的那样一直看手机或电脑。

[事实] 外卖软件会用明显的语音播报提醒订单，店里还会用打印机打出包含花款图片、订单信息和备注的 A4 纸。

[事实] 花艺师通常照着打印出来的图做花，因为一个店可能有五六百款花，无法全部记住。

[事实] 送给配送员的小票通常不会直接给最终客户看，因为花是礼品，价格不适合暴露给收花人。

[14:20] 人员管理是线下改造的核心难点

[事实] 主播用“人机料法环”的框架说，花店里“人”的问题非常重要。

[事实] 他认为很多线下员工对工作的理解与互联网职场不同，更倾向于只做被明确要求的那部分活。

[事实] 他举例说，淡季一天只有三四单时，希望员工能兼顾接单、返图、叫配送等全流程，但实际并不容易。

[推测] 线下门店的管理问题不是简单加软件就能解决的，人员激励、责任边界和现场控制都会影响系统落地。

[18:00] 插花、打花与“花艺师”的真实分工

[事实] 主播区分了往花泥里插花和手打花束两种工艺，认为手打花束更耗时、难度更高，花茎更长，也更利于保存。

[事实] 节目中还区分了行业里的“插花”动作和日式艺术插花，两者不是同一件事。

[事实] 主播认为很多外卖花店不会做耗时更长的手打花，因为履约速度压力很大。

[推测] 花店的“工艺质量”和“平台交付速度”之间存在天然冲突。

[20:00] 机器控制人为什么很难落地

[事实] 主播用便利蜂举例，认为它试图用机器把店员行为控制到细枝末节，但这种方式很难成功。

[事实] 他认为门店工作无法完全标准化，即便系统发出指令，员工也可能点掉但不执行。

[事实] 主播提到 7-11 的夫妻老婆店加盟方式，认为 ownership 反而更有效，因为经营者会对整店负责。

[推测] 对线下小店来说，系统更适合服务有经营责任的人，而不是试图替老板强行管理每个动作。

[21:50] 股份、提成和低收入员工激励的限制

[事实] 主播认为给不具备自驱力的人发股份未必有效，甚至可能带来拖累。

[事实] 他提到一些低收入员工更关注今天能拿多少钱，而不是未来的股份变现或长期利益。

[事实] 节目中还说，提高 10% 到 15% 的提成，对激励效果也未必明显。

[推测] 这一段的表达较尖锐，但它指向的现实问题是：长期激励机制需要员工有足够稳定的预期和延迟满足能力。

[25:00] 拍脑袋需求：盘点功能被推翻

[事实] 主播原本设计过一个自主盘点功能，让店员每天打烊前逐项记录剩余花材数量。

[事实] 实际判断后，他认为店员不会用这个功能，于是砍掉了逐项盘点。

[事实] 后来他把盘点改成对着冰箱拍一张照片，让 AI 后续处理照片信息。

[事实] 他还提到在花展上看到面向批发商的盘点功能，并怀疑这也是不了解行业而做出的功能。

[28:30] AI 生图真正有用的场景：有限花材生成大量花款

[事实] 花店需要把有限的花材组合成大量可售花款，一个店常见有几百个花款。

[事实] 过去这件事依赖花艺师不断搭配、拍照和上架，成本高且会受每日花材变化影响。

[事实] 主播尝试用 AI 生图做花款排列组合，但发现通用生图模型不认识很多具体花材，比如卡布奇诺玫瑰等。

[事实] 他们后来通过拍摄店内真实花材、训练或强化模型，再生成更接近实际的参考图。

[推测] 这里的 AI 价值不是“会画漂亮图”，而是把门店真实库存转化成可售商品图和上架效率。

[32:20] “豆包也能干”是 AI 落地销售中的高频质疑

[事实] 主播说，很多店主会质疑他们的系统“豆包也能出”，他们通常会现场让对方试，结果发现效果不行。

[事实] 他还提到给政府部门做内部知识库时，也遇到过“豆包问得更准”的质疑，后来发现通用模型是在已有公开材料上回答，而特定知识库问题仍需要专门系统。

[事实] 主播认为很多 AI 落地企业都会遇到“别人也能干、通用模型也能干”的质疑。

[推测] 垂直场景 AI 的难点不只是模型能力，还包括客户如何理解“通用能力”和“业务可用系统”之间的差别。

[33:20] 替换花材和售前返图成为刚需

[事实] 花店经常遇到客户下单的某种花材缺货，需要和客户沟通是否能换成别的花。

[事实] 传统做法可能要花艺师先摆出一个毛坯效果给客户看，耗时且有沉没成本。

[事实] 主播的系统可以在图里圈出缺货花材并替换成其他花材，快速生成返图给客户确认。

[事实] 主播称这个功能把原来五六分钟的工作压缩到不到一分钟。

[推测] 这个场景之所以成立，是因为它同时解决了售前沟通、花艺师时间和材料损耗问题。

[39:00] 外卖平台既有价值，也制造新的经营依赖

[事实] 主播肯定外卖平台的价值，认为没有平台，很多偏僻位置或地下室里的外卖花店很难被客户发现。

[事实] 他提到平台抽成大约 20%，但认为考虑到毛利和获客价值，不一定特别高。

[事实] 更大的支出来自持续获客所需的投流买量。

[事实] 很多花店老板不理解平台投流逻辑，只是粗略看投了多少钱、出了多少单、赚了多少钱。

[推测] 对熟悉互联网投放的人来说，平台投流可能是线下花店最容易被系统化优化的环节之一。

[43:00] 节日投流验证与平台数据封闭

[事实] 主播在母亲节和 520 两个节日试了一次投流优化，称店铺两天做到天津市前 7%。

[事实] 他认为这说明其他店在投流和履约上有没做好的地方，而他们用互联网经验做了优化。

[事实] 主播希望把投流策略做成 AI 赋能工具，告诉店主今天和明天应该怎么投。

[事实] 但他认为外卖平台数据开放很差，关键数据无法通过接口调用。

[推测] 平台封闭是国内 AI 落地到真实交易场景时绕不开的基础设施障碍。

[45:00] API 门槛与平台系统割裂

[事实] 主播提到平台 API 有开放，但非常保守，店家要接入往往需要全国连锁级别，服务商模式也有很高门槛。

[事实] 他认为即便费力接入 API，也未必能拿到最想要的营销细分数据。

[事实] 他把这种情况概括为自己的系统和平台系统割裂。

[事实] 节目中还把微信客服等通用平台也纳入类似问题，认为最后一步往往卡在平台封闭上。

[46:20] 用打印链路抓订单数据，再接 Agent

[事实] 为了解决平台数据拿不到的问题，主播在电脑和打印机之间加了一个盒子，把要打印到 A4 纸上的订单信息截取下来。

[事实] 他提到这类似“中间人”方式，过去做起来更难，现在借助 OCR 和 AI 更容易处理打印内容。

[事实] 这些订单数据可以进入自己的系统，再做后续处理。

[事实] 他希望接入 Agent，让系统自动播报更详细的订单信息，并支持花艺师用语音备注或查询订单。

[推测] 这是一个典型的“绕开正式 API、从现场流程取数”的落地方式，也体现了本期所谓“脏手干活”。

[49:30] 平台把花店当作前置仓

[事实] 主播认为平台设计倾向于把花店当成交付链条的一环，而不是充分考虑花店的承载能力、品质定位或制作时间。

[事实] 平台对开店时间有考核，非规律性歇业一年只有 12 天额度，春节也包含在内。

[事实] 主播曾尝试 24 小时营业，但发现深夜也有人下单和咨询，客服响应压力很大。

[事实] 平台要求咨询一分钟内回复，夜间并没有明显放宽。

[推测] 外卖平台的标准化规则会把非标花店推向更像仓储履约节点的经营方式。

[53:00] 响应、拣货、配送考核带来逆淘汰

[事实] 平台会考核拣货完成时间和配送时间，这些数据会影响页面展示的送达时间。

[事实] 花不同于餐饮标品，需要现做、找花材和搭配，因此制作时间天然更长。

[事实] 主播认为送达时间越短，越可能是提前做好的预制花，或者只卖少数几款已备好的花。

[事实] 他建议不要只选送达时间特别短的花店。

[推测] 平台速度排序可能会惩罚愿意慢慢做好花的商家，鼓励更快但质量未必更好的履约方式。

[56:00] 买花建议：避免早晨送和节日即时单

[事实] 主播建议不要订早晨 8 点送到的花，因为那通常是前一天晚上做好并放进冰箱的。

[事实] 他建议选择中午或下午送，并且提前预订。

[事实] 在母亲节，他们用一个半花艺师一天做了 120 束花。

[事实] 主播认为节庆当天的即时单很难精工细作。

[推测] 想要更好的花束质量，消费者需要避开平台最强调“快”的购买路径。

[57:00] 送花段子与礼物审美

[事实] 主播提到有客户会要求一模一样的花送到两个地方，但没有展开隐私细节。

[事实] 他观察到 520 等节日里，送 999 朵玫瑰这类超大花束时，收花人的情感反应未必强烈。

[事实] 主播提醒不要送红玫瑰加满天星，认为这种搭配太常见、显老且便宜感明显。

[事实] 他建议买花时直接问花艺师最近流行什么、送给谁、什么年龄段，让花艺师推荐。

[推测] 这一段从经营经验延伸到消费建议，实际是在说明花店掌握了大量用户行为和礼品场景知识。

[61:00] 线下买花、花材等级与季节性

[事实] 主播建议有实体店时尽量去店里买花，不要只在外卖平台下单。

[事实] 他提到外卖花和店内高端花使用的等级可能不同，外卖常用 C 级花，高端店至少用 B 级，甚至有进口花。

[事实] 节目中说花的季节性和节庆属性很强，比如 520 后玫瑰需求迅速下降，高考季会卖向日葵。

[事实] 女生送男生的礼品花变多，花束里放烟、零食或玩具等需求也出现了。

[65:00] 礼品花的合规细节

[事实] 主播提到，如果花束里放烟，因为花店没有烟草专卖许可证，需要说明是代买，并附发票或小票。

[事实] 节目中还提到零食花涉及预包装食品销售许可。

[事实] 相比烟草许可，预包装食品相关手续被认为更容易处理。

[推测] 礼品花看似只是创意包装，实际会触及烟草、食品等经营许可边界。

[66:40] 最终结论：AI 落地必须脏手干活

[事实] 主播总结说，这次实践看到了 AI 赋能线下时真正能帮助门店的地方，也看到了很多自嗨的地方。

[事实] 他明确说，必须“脏手干活”，不能坐在电脑前拍脑袋想行业需求。

[事实] 他提到之后可能继续聊自己的产品，也可能重录一期让花艺师讲挑花、养花、哪些花不能隔夜等行业知识。

[推测] 本期最重要的价值，是把“AI 落地”从模型和概念拉回到行业现场、数据入口、平台规则和真实人力协作。

播客点评/总结

这期的亮点在于信息密度和现场感。它没有停留在“AI 能提高效率”的泛泛判断，而是把一个花店从开店、接单、打印、打花、返图、投流、平台考核到合规礼品的链条拆开，说明哪些环节真有 AI 价值，哪些只是创业者自以为的需求。

节目最有价值的部分，是对“反直觉”的连续修正：损耗不是第一痛点，盘点不是刚需，员工不会因为系统指令就自动执行，通用模型也不等于可交付产品。对于想做垂直 AI 应用、线下数字化工具或本地生活服务的人，这些细节比抽象方法论更有参考意义。

局限也很明显：讨论主要来自一家花店和主播自己的经营经验，虽然细节丰富，但不一定能代表所有城市、所有价位和所有鲜花零售形态。[推测] 如果要形成更通用的行业结论，还需要更多门店、不同平台和不同经营模式的数据验证。

整体适合关注 AI 落地、线下零售、本地生活平台、门店经营和垂直 SaaS 的听众。单纯想听模型技术细节的人可能会觉得“脏活”太多，但这正是本期的核心价值。