Industry Solution
餐饮行业：服务与出品标准化落地方案
米其林定义了"好餐厅"的评价维度，海底捞定义了"服务"的衡量方式。本方案把餐饮业已被验证的标准——出品一致性、翻台率、顾客满意度、员工激励——翻译成可计算的门禁，让 AI 在标准之内规模化生成。
一、行业的主要矛盾
餐饮是低毛利、高波动、强现场的行业：一端是总部对标准化与成本的持续压力，另一端是门店现场每天发生的具体意外。
矛盾不在”有没有标准”——连锁餐饮的标准通常已经很厚。矛盾在于标准停留在纸面与培训里，执行一致性靠人，波动靠罚款。AI 进入后，这个矛盾被放大：模型能生成无限的营销文案、菜单描述、客服话术，但如果这些输出没有标准约束，规模化生成就等于规模化失控。
二、既有的制度能力：谁在定义”什么是好”
餐饮行业的制度能力是分层的，而且已经被验证有效：
- 米其林指南定义了”好餐厅”的评价维度，直接影响了全球高端餐饮的定价权和经营方式——它不需要拥有一家餐厅，却拥有定义权
- 海底捞定义了”服务”的标准，让整个行业开始用翻台率、顾客满意度、员工激励来衡量管理质量——把模糊的”服务好”变成可管理的指标
这两者的共同点是：谁定义了衡量方式，谁就掌握了行业里事实上的管理权。 而这两套标准的执行，过去都靠人——培训、巡检、暗访、打分表。
三、AI 进入后的冲突
| 冲突 | 表现 | 后果 |
|---|---|---|
| 文案 vs 合规 | 模型生成的宣传语触碰功效与绝对化用语红线 | 监管风险与品牌风险 |
| 标准 vs 现场 | 总部标准与门店实际执行长期偏离，无数据反馈 | 标准悬空，一致性无从谈起 |
| 评价 vs 口径 | 点评、问卷、暗访三套数据口径不一，无法横向比对 | 满意度改善无法归因 |
| 生成 vs 成本 | 营销与客服内容产量暴涨，审核人力没涨 | 错误外流 |
四、落地路径：四道防线的行业映射
数据治理
- 标准菜谱与出品规格结构化：配料克重、步骤时长、出品形态可比对
- 评价数据口径统一：点评、问卷、暗访映射到同一套满意度维度
- 门店与人员主数据统一：避免同一门店在不同系统里是不同实体
- 合规词库：功效宣称、绝对化用语、价格表述的禁限用词表
工作流编排
- 任务分流：菜单描述、营销文案、客服话术等概率性任务走模型生成再收敛；定价、库存、排班等确定性任务走规则求解
- 输出结构约束：对外文案必须走模板 + 变量，禁止开放式生成
- 巡检与暗访结果结构化：让现场数据进入同一个数据中枢
AI 护栏
- 合规校验：禁限用词与功效宣称自动拦截
- 一致性校验：出品规格与菜谱偏离度、门店间同菜品描述差异
- 价格与库存校验：促销文案与实际价格、可售状态不一致即拦截
- 舆情监测：评价异常波动触发告警
人机审核
- 分级设卡：常规内容抽检放行，对外营销与危机公关人工审核
- 留痕：谁审、依据哪一版标准、改了什么
- 责任闭环：AI 负责规模化生成，人负责关键判断与责任归属
五、评测门禁与指标
| 维度 | 指标 | 口径 |
|---|---|---|
| 稳定性 | 出品一致性达标率 | 按菜品抽检的规格符合率，分门店统计 |
| 可控性 | 合规拦截率 | 对外文案被合规门禁拦截的比例与趋势 |
| 有效性 | 顾客满意度 | 统一口径后的满意度得分与分维度变化 |
| 效率 | 翻台率与坪效 | 与历史同期可比口径下的变化 |
| 组织 | 员工激励覆盖与流失率 | 激励规则执行率与关键岗位流失率 |
| 可审计 | 链路还原时长 | 任意对外内容还原生成依据与审核人的耗时 |
六、交付物与里程碑
交付物：标准结构化方案（菜谱/服务/评价口径）、合规词库与规则集、内容生成模板与护栏、巡检数据结构化方案、运行看板。
里程碑
- 盘点期：梳理现有标准与三套评价数据，统一口径
- 试点期：选一个区域或几个门店跑通”生成—校验—审核—反馈”闭环
- 收敛期：合规与一致性护栏厚实，人工干预率下降
- 放量期：规模化内容生成 + 关键对外内容人工兜底
七、前置条件与边界
需要企业侧提供：可结构化的标准文档、历史评价与巡检数据、门店配合试点、市场与合规负责人参与规则制定。
本方案不替企业定义”什么是好餐厅”——行业里已有米其林这样的标杆。它做的是让企业自己定义的标准，真正被执行、被测量、被反馈。