当前位置: 首页 > news >正文

沃尔玛为何要向200万员工推广AI技能培训

沃尔玛正计划在未来几年内,为其全球210万名员工——从技术团队到标志性的门店迎宾员——普及一定程度的AI技能。这一消息由沃尔玛执行副总裁兼首席人事官唐娜·莫里斯(Donna Morris)在麻省理工科技评论EmTech AI峰会上披露。

莫里斯将沃尔玛的运营理念概括为"以人为本、技术赋能",并表示公司自2022年秋季生成式AI兴起以来,便持续探索AI应用并逐步形成系统性战略。

到2023年,沃尔玛已搭建起一套面向员工的内部AI实验平台。此后,公司进一步整合资源,建立了四个不同的智能体平台,综合运用自研和外部大语言模型。尽管沃尔玛拥有超过35,000人的技术团队,但AI的影响已渗透至整个组织的各个层面。

消费者可能对沃尔玛推出的个性化推荐平台Sparky有所了解,但据莫里斯介绍,高管层目前将更多精力集中于公司内部AI平台的建设。沃尔玛与OpenAI及Google Gemini合作,通过面向员工的平台"Squiggly"提供岗位专属的AI认证课程,目前该课程已向美国和加拿大共约170万名员工开放。

此次培训旨在将智能体AI引入员工工作流程,着重消除最影响工作效率的障碍环节。莫里斯举例说明,对于一线门店员工而言,这可能意味着能更快速地在仓库中定位商品,或借助AI智能体实时翻译,与使用不同语言的顾客顺畅沟通。

"我们需要让员工跟上这场变革的步伐,需要确保他们得到充分的教育培训,"莫里斯表示,"这在很大程度上是一种数字素养的培养,我们真心希望每一位员工都能自信地运用AI。"

在构建AI技术栈时,莫里斯表示技术负责人会优先评估哪些数据已公开可用——如果公共领域存在有价值的数据,公司会调用外部大语言模型来处理;而涉及沃尔玛专属信息时,则会使用内部数据湖。

"这与我们在AI出现之前的工作方式并无本质区别,"莫里斯说,"以前有些数据只能根据职位和决策规则来访问,今天的逻辑框架依然如此,只是运行在一个智能体化的环境里。"

在企业普遍重新审视自动化投资优先级的背景下,莫里斯表示沃尔玛对AI投资回报的衡量视角可能与其他企业有所不同。AI融合的核心目标,尤其是对于面向顾客的岗位,在于为员工创造更多专注于面对面、以客户为中心服务工作的时间和空间。

零售行业正在快速部署AI工具,以期提升客户体验、降低运营成本。据柏克莱研究集团(Berkeley Research Group)的报告显示,截至去年底,逾八成零售商已将AI整合至其运营体系,应用领域涵盖营销、IT与数字化职能、商务运营、商品策略及定价管理。

"如果我们能够提供让员工更高效服务顾客的技术工具,那这就是实实在在的价值,"莫里斯说。

她同时表示,沃尔玛迄今尚未因AI应用而出现岗位裁撤的情况。她加入公司六年来,员工总数保持稳定,但公司营收已实现大幅增长。近年来,沃尔玛还通过布局数字广告、数据业务和医疗健康板块,持续拓展其商业版图。

"AI是沃尔玛世界的一部分,但并非全部,"莫里斯强调。"我们绝大多数岗位会经历一定程度的调整,但不会发生根本性的重塑。我们所有人都必须保持理性,客观评估AI究竟在多大程度上真正改变了工作。"

Q&A

Q1:沃尔玛的员工AI培训平台"Squiggly"具体提供哪些内容?

A:Squiggly是沃尔玛面向员工的内部学习平台,目前联合OpenAI和Google Gemini提供岗位专属的AI认证课程。培训内容聚焦于将智能体AI引入员工日常工作流程,帮助减少工作摩擦。课程目前向美国和加拿大约170万名员工开放,目标是让员工具备实际运用AI的能力,而非仅停留在概念层面。

Q2:沃尔玛推广AI后有没有裁员?

A:根据沃尔玛首席人事官莫里斯的说法,公司目前没有因AI应用而发生岗位裁撤。她表示,自己六年前加入公司至今,员工总数基本保持不变,但公司营收显著提升。沃尔玛的目标是通过AI帮助员工更高效地服务顾客,而非用技术替代人力,大多数岗位只会经历局部调整,不会面临根本性变革。

Q3:沃尔玛内部的AI智能体平台是如何运作的?

A:沃尔玛目前建立了四个不同的智能体平台,综合采用自研和外部大语言模型。在数据使用策略上,如果所需信息属于公开数据,公司会调用外部大语言模型;如果涉及沃尔玛专有数据,则使用内部数据湖进行处理。这套逻辑与AI出现之前按职位和权限管理数据访问的方式一脉相承,只是现在运行于智能体化的技术环境中。

http://www.cnnetsun.cn/news/2058834.html

相关文章:

  • 高效城通网盘解析工具:3步获取直连地址,突破下载限制
  • 抖音视频批量下载神器:3分钟学会无痕保存你喜欢的作品
  • 大功率H桥电机驱动板电路设计方案
  • SPSS里没有Dunn‘s test选项?别慌,手把手教你用R插件搞定非参数多重比较
  • 【iOS安全】从Info.plist逆向解析App的URL Scheme与潜在攻击面
  • YOLOv26道路坑洼检测系统:3043张标注图像+PyQt5界面+模型权重+远程环境部署
  • OpenClaw开源AI助手框架实战指南
  • Android 10设备WebView内核升级实战:从源码替换到配置修改的完整避坑记录
  • 深入STM32WL双核与低功耗设计:如何为你的LoRaWAN节点优化电池续航
  • Vue 3\+Vite\+Pinia实战:企业级前端项目架构设计
  • 别再死记硬背了!用这3个真实案例,帮你彻底搞懂ISO 19011里的‘审核方案’到底怎么管
  • 海康VisionMaster 4.2 SDK二次开发:C#/C++环境配置保姆级避坑指南(WinForm/WPF/MFC/Qt)
  • 神经符号计算在无人机安全着陆评估中的应用与优化
  • 如何在 Dev-C++ 中使用 Clang 编译器
  • 树莓派CM4打造便携式KVM over IP设备全解析
  • MoE-SpeQ:突破混合专家模型推理I/O瓶颈的创新方案
  • CACC协同式自适应巡航模型:基于Carsim与Simulink的分层控制实现及学习资料
  • 告别手动加载!用ObjectARX写个自动加载器,解放你的CAD开发调试时间
  • AI应用开发系列(四) AI-Agent开发-让大模型动起来
  • 从Burp Suite转战Yakit:我是如何用WebFuzzer序列解决多步骤逻辑测试痛点的
  • SAM 3效果实测:上传图片视频,输入物体英文名,自动分割跟踪
  • 放弃硬件SPI!用STM32普通IO口模拟SPI驱动RC522的三大理由与避坑指南
  • 浏览器端深度学习模型优化与TensorFlow.js实践
  • 若依框架实战:手把手教你搞定视频上传与预览(Vue3 + Element Plus版)
  • real-anime-z Web界面深度解析:7860端口服务的UI功能区与技术栈说明
  • Scikit-Learn入门指南:Python机器学习核心技术与实战
  • ESP8266玩转LED:从硬件连接到代码调试的全流程指南(附常见问题排查)
  • 脐橙品质分级机的输送装置及单列化结构设计(说明书+cad图纸+Proe三维图形+答辩)
  • 告别卡顿!用SRIO(Serial RapidIO)在FPGA与DSP间搭建高速数据通道(附Xilinx平台实战)
  • 机器人应用-地下车库清洁