OC
Sodexo 把 AI 放进厨房,说明传统行业要的不是聊天,而是少浪费、少缺货
科技 · 2026-07-02 · 产业与资本 · 阅读 16

Sodexo 把 AI 放进厨房,说明传统行业要的不是聊天,而是少浪费、少缺货

据 Fortune 报道,餐饮服务巨头 Sodexo 正在把 AI 和机器人放进厨房、采购、设施管理和无人商店。公司首席技术、数据与数字官 Alice Guéhennec 负责约 5 亿欧元年度技术预算,她推动的内部工具 Menu AI 可以把菜单设计、原料价格、季节性和现场需求放在一起计算。

作者 陈墨 陈墨

Fortune 报道,餐饮服务巨头 Sodexo 正在把 AI 和机器人放进厨房、采购、设施管理和无人商店。公司首席技术、数据与数字官 Alice Guéhennec 负责约 5 亿欧元年度技术预算,她推动的内部工具 Menu AI 可以把菜单设计、原料价格、季节性和现场需求放在一起计算。

这条新闻不像模型发布那么热闹,但它更接近企业 AI 真正花钱的样子。很多传统行业买 AI,不是为了跟聊天机器人谈心,也不是为了追模型榜单,而是为了少浪费食材、少排错班、少缺货、少让员工坐在电脑前填表。

Sodexo 的业务很适合说明这个问题。它给学校、公司办公室、体育场、医院和机场休息室提供餐饮服务,需求本来就很不稳定。学校放假、体育场有没有比赛、公司员工哪天回办公室、食材价格涨跌、季节性蔬菜供应变化,都会影响厨房当天该准备什么。如果判断错了,不是多跑一次程序那么简单,而是食材浪费、服务体验下降、成本失控。

OC 原创解释图:Sodexo 把 AI 用在菜单、预测、采购、厨房和服务的链路上

Fortune 报道提到,Menu AI 可以从 400 个季节性菜谱中在一天内生成和管理菜单,而以前这类工作可能需要两到四周。这个数字当然要谨慎看,它不是说 AI 一天就能替代所有厨师判断,而是说明一个企业运营场景里,AI 最先吃掉的是“组合、对照、同步、更新”这些繁琐环节。

这和很多人想象的“AI 厨师”不一样。真正的问题不是机器人会不会颠锅,而是系统能不能告诉厨师:今天这个校区应该少备多少咖啡,某个医院站点什么时候需要补货,这个季节哪些食材成本更合理,某个房间使用到什么程度才需要清洁。AI 在这里不是一个会聊天的前台,而是一层运营调度系统。

陈墨看这类新闻,第一反应是回到账本:Sodexo 年收入约 280 亿美元,技术预算 5 亿欧元,AI 如果能减少浪费、提高无人商店收入、优化排班和采购,它的价值会直接体现在毛利率和服务稳定性上。Fortune 报道还提到,Sodexo 在圣路易斯两所大学试点无收银商店,一个站点收入增长 56%,另一个销售额增长 28%、客单价提升 11%。这些数字不能简单外推到所有场景,但比“员工更高效”这种口号更可核算。

对开发者和企业团队来说,这类案例也提醒我们:企业 AI 不是把 ChatGPT 接进每个 Slack 频道就结束了。真正难的地方在系统集成。菜单、库存、采购、价格、排班、门店销售、设备状态和现场反馈要连起来,AI 才能做出有用建议。数据孤岛不打通,再强的模型也只能写一段好看的建议。

当然,这不代表传统行业会温柔地完成自动化。Sodexo 已经部署约 200 台机器人,包括清洁和配送机器人,也在看厨房里更重复、更危险的任务能否交给机器人。对一线员工来说,AI 可能先是辅助,也可能逐渐变成新的绩效和排班系统。企业说“让员工离开电脑回到厨房”,听起来很好,但员工也会关心:系统最后是帮我减少无意义工作,还是更精确地压缩我的时间?

本站的判断是,Sodexo 这类案例比很多 AI 炫技更值得看。因为它说明 AI 正在从“能不能回答问题”进入“能不能改造低利润、强流程、强现场的传统行业”。这类改造不浪漫,但会很深。餐饮、物业、医院后勤、零售、仓储、维修,未来几年都可能沿着同一条路走:先做预测和调度,再做采购和定价,最后让机器人接走最重复的动作。

参考来源

相关阅读

基于标题、摘要和正文内容自动匹配。

更多科技

评论

围绕这篇文章补充信息、提出问题或分享观察。

0
暂无评论。

发表评论

继续看看 OC 用户围绕这个话题说了什么、做了什么。

相关帖子

更多

你们的Codex额度提前耗完了没?戒断反应如何?

<p>我在第三天就消耗了只剩1%,忍了一天,然后今天干脆用这最后的1%,开着5.6 Sol 极高 强推我一个提示词笔记本应用的功能落地。最终用时3小时,居然还是跑完了。但是现在还是出现一些戒断反应,感觉啥也做不了,就无精打采的,困。</p> <p>我做了一个Prompt Notebook,专门用来收藏或者记录自己手搓的生图提示词。带Chrome一键收藏插件。支持AI优化提示词。支持提示词中提取常用字段作为提示词百科词汇。也自带生图功能用来测提示词。但是要搭配Cloudflare R2+Worker的图床。</p> <p>今天主要是做一个AI模特的资产库。将常用的AI模特固定下来,进行身份设定,以及模特的一些角色定妆图。之后生图可以直接调用AI模特自动作为垫图。</p> <p>这是AI模特资产库的界面: <img src="/upload/thread/202608/42b5f73e-938f-45de-b74e-da69da9d72a8.webp" alt="1bb0d28b-c7dd-4327-bafa-26b60323cbed" /> 这是主界面的提示词瀑布流,支持关键词或标签搜索: <img src="/upload/thread/202608/3e15b6e7-345f-48b4-aeff-1bbd89afe9d3.webp" alt="ab998e2f-9ccc-4173-832f-223aa6c6fa81" /> 这是提示词笔记的预览界面,可以复制提示词,分享提示词,点击分享还有分享短链:(https://prompt.jintao.co.uk/share/20260806LfsmY) <img src="/upload/thread/202608/bab31972-0468-4582-b873-6309233254a6.webp" alt="20260806-201213" /> 可惜现在没额度了,我又不想换模型折腾。现在还有些界面细节和小功能需要落地完善,可能还要虫子要抓。弄好了,打算放GitHub开源。</p> <p>有朋友想试试的么?</p>

shynloc 2 4

做 AI 语音产品时,授权、撤回和审计日志应该怎么落地?

<p>最近看到越来越多关于声音授权的讨论。对开发者来说,真正麻烦的往往不是“模型能不能模仿”,而是授权如何进入系统、生成结果如何追溯,以及授权撤回后该怎么办。</p> <p>我们在做 FlowSpeech 时也碰到过类似问题。我的体会是,不要把“用户勾选过同意”当成一个布尔字段,而应该把它做成一组可以审计的业务对象。</p> <h2>1. 把声音资产和授权分开</h2> <p>声音文件只描述技术属性,例如哈希、上传者、存储位置和创建时间。授权记录则至少要包含授权主体、用途范围、地域、有效期、来源证据和当前状态。这样同一份声音用于个人试听、商业广告、公开播客时,可以绑定不同的授权,而不是共用一个模糊的 consent=true。</p> <h2>2. 每次生成都保存授权快照</h2> <p>生成任务不要只引用当前授权 ID。授权内容以后可能变更,如果任务只查最新状态,历史结果就无法解释。更稳妥的做法是在任务创建时保存授权版本、文本哈希、声音版本、模型版本和操作者。生成出的音频再记录 artifact_id,并反向关联任务。</p> <p>我会把最小链路设计成:</p> <ol> <li>voice_asset:原始声音及版本;</li> <li>consent_grant:授权范围与证据;</li> <li>generation_job:请求参数和授权快照;</li> <li>audio_artifact:输出文件、校验值和公开状态;</li> <li>audit_event:谁在什么时候创建、下载、公开或撤回了内容。</li> </ol> <h2>3. 撤回不是简单删除一行</h2> <p>授权撤回后,系统至少要阻止新任务,并把相关公开音频进入下架队列。已经交付给客户的文件是否能删除,要按照合同和产品能力区分,不能在界面上承诺技术上做不到的“全球删除”。更现实的状态机是 active、suspended、revoked、expired,并明确每个状态允许哪些动作。</p> <h2>4. 对外展示也要可验证</h2> <p>除了后台日志,公开音频最好带上来源标记或可查询的生成记录。水印不是万能方案,但“可识别的音频 + 可验证的元数据 + 清晰的举报入口”组合起来,比一句“AI 生成”更有用。</p> <p>我们现在做的 <a href="https://flowspeech.io/zh">FlowSpeech</a> 主要解决上下文感知、情绪和停顿控制。越往产品化走,越觉得声音效果只是前半程,权限边界和可追溯性才决定这类工具能不能长期使用。</p> <p>大家在实际项目里会把授权证据放在业务数据库、对象存储,还是单独的审计系统?如果授权撤回,你们通常怎么处理已经生成并交付的音频?</p>

FlowSpeech 0 1

重返OurCoders

<p>从2014年以来好久没逛过这个谈论了,不知道这个谈论的运营现在怎么样,开发人员是不是原来的人,前端UI做得不太好</p>

梁建溢 5 36