General Mills
供应链智能执行 Project ELF
Palantir
消费品/食品
典型Forward Deployed
标准案例｜可参考但仍有缺口
A级证据
生产级/规模化
A
证据等级
General Mills：供应链智能执行 Project ELF
证据等级衡量“能否定位和复核来源”，不评价厂商披露是否经过第三方审计。
标准案例｜可参考但仍有缺口
9 / 12
业务背景1 / 2
改造流程1 / 2
技术工作流2 / 2
人机与治理1 / 2
量化结果2 / 2
来源定位2 / 2
仍可补强：业务背景、改造流程、人机与治理
业务问题
4,000供应商、200+工厂、约120万订单，运营人员每年进行约5,000万次供应链决策。
解决方案
先将约200张主数据/运营表接入Ontology，再用AIP实时读取约束、产能、网络成本，对订单给出调度和节省建议。
技术架构与生产工作流
Step 01
约200张主数据/运营表 + 订单/产能/成本/网络数据
→
Step 02
Foundry数据管道统一清洗并建供应链Ontology
→
Step 03
每个订单映射到工厂、SKU、供应商、产能、运输等实体关系
→
Step 04
AIP实时读取业务约束并识别可优化订单
→
Step 05
算法/AI生成重路由、调度或节省建议并估算财务影响
→
Step 06
供应链人员在工作台审核建议
→
Step 07
接受的动作进入执行流程；采纳/拒绝反馈回流
关键技术与基础设施组件
FoundryOntologyAIP供应链优化逻辑运营工作台Human-in-the-loop
人机分工与责任边界
供应链人员审核建议；公开材料称>70%建议被接受。
FDE 动作拆解
- 把5,000万次年度人工决策拆成可重复的订单级决策单元
- 统一200张表中的实体和口径，使模型能理解订单与真实网络关系
- 和业务共同定义不可违反的约束以及“好建议”的财务目标
- 将AI从“分析报告”推进到每日约400条可执行建议
- 用采纳率、日节省额和服务指标迭代建议质量
可迁移复用的落地方法论
- 先建可行动的语义层，再谈Agent
- 建议必须附带业务影响才能进入运营优先级
- 采纳率比离线模型accuracy更接近真正的产品指标
业务成效与交付成果
约3,000订单/日被评估，约400条建议/日，约$40K/日、$14M/年节省。
证据边界与核验记录
- 高：Palantir AIPCon Impact Study公开了数据规模、Ontology、建议数量、采纳率和节省指标。
- 来源可直接定位到该案例；数值仍属于来源方披露，不代表独立审计。