德国一家乡村超市长期招不到熟练员工，生鲜区主要由还在上学的当地年轻人照看。为了不让苹果、草莓和土豆提前卖空，他们习惯多订一些，当天没卖掉的果蔬很快就只能扔掉。门店后来接入Freshflow：这套AI预测未来几天每种生鲜的销量，再通过平板告诉店员今天该订多少。
科技媒体The Next Web记录了这家门店的变化：Freshflow创始人称，生鲜损耗下降了近30%。门店位置没有公开，这一结果也未经独立审计，但故事点出了产品最直接的价值：经验尚浅的员工，也能完成一项每天都关系毛利的决定。
图源：Freshflow官方客户页面所嵌视频的宣传缩略图。画面展示生鲜货架、门店人员与订货平板，用于说明产品在门店内的实际使用场景；该素材不构成第三方审计证据。
生鲜订货，每天都要重新猜一次
普通商品的补货已有成熟系统：库存少了，就按历史销量补上。生鲜更难。草莓能卖几天，要看这一批货的成熟度；西瓜按重量结账，系统未必知道还剩多少个；周末、天气和临时促销又会迅速改变需求。货订多了会腐坏，订少了则让顾客对着空货架离开。
TechCrunch在Freshflow早期报道中写到，许多超市的生鲜订货仍由员工凭眼睛、鼻子和经验完成。老员工可能很擅长这件事，可经验难以跟着排班表流动。一位熟练主管离职，门店常常连同他的判断一起失去。
Freshflow把这项判断拆成了可计算的步骤。系统读取门店的销售、订货和损耗数据，再加入天气、节假日、促销与当地事件。它估算货架上还能销售的库存，预测每种商品未来几天的需求分布，也计算多订与少订各自会损失多少钱。第二天早晨，店员在平板上看到逐项建议，遇到模型不了解的临时情况仍可调整。
这套流程保留了生鲜主管擅长的陈列、选品和现场判断，同时把最重复、最容易受经验差异影响的数量决策固定下来。Freshflow官网称，门店员工会接受93%的AI建议。这个比例来自公司披露，未经第三方审计，却比单独展示模型准确率更接近实际采用：如果一线员工每天都跳过建议，再漂亮的预测也进不了订货单。
同一张订单牵动损耗和销售
很多AI产品只容易证明省时。Freshflow面对的账更直接：一边是被扔掉的库存，一边是空货架漏掉的收入。每个SKU每天少错一点，累积到整家门店就会落到毛利表上。
公司在2026年6月的融资公告中披露，Freshflow已进入德国和法国九家头部零售商体系，包括EDEKA、Carrefour、Intermarché和Stroetmann旗下门店；每店最高减少30%的损耗，并带来2%至4%的收入增长。Freshflow同时完成1000万美元A轮融资，由Reimann Investors领投。客户数量、效果和收入提升均为公司口径，未经第三方审计；融资和零售商部署至少说明，这套产品已经越过单店试验，开始进入大型连锁体系的采购流程。
Freshflow客户页面还能看到更具体的门店口径。一位EDEKA经营者称，订货时间缩短了一半，损耗下降40%；一家Carrefour门店称每周少损失约1.5个百分点。这些材料同样来自官方案例，适合用来理解客户为何购买，不能当成普遍效果。
客户可以从一间试点门店、三组具体指标开始验证：损耗、缺货和订货时间。买方知道每个百分点值多少钱，销售团队也有机会用一张门店损益表完成续约与扩店讨论。
从一间门店复制到整条生鲜链
Freshflow作为轻量层接在零售商原有ERP之上，接收门店数据，再把建议送到店员手里的平板。公司目前给出的交付口径是数周完成接入，6至8周看到第一批结果。对于系统老旧、改造周期常以月甚至年计算的零售商，这种轻量接入降低了试点门槛。
一间门店验证效果后，同样的流程可以复制到更多门店和更多品类。Freshflow计划把果蔬能力扩到肉类、烘焙与店内生产，再向仓库、配送中心和供应商延伸。每向上走一层，它能看到的供需信息更多，进入的预算也从门店工具扩大到生鲜供应链。
当然，预测系统会在异常时期犯错。The Next Web采访的零售分析研究者Patrick Brandtner提醒，客流或消费行为突然偏离常态时，模型必须持续监控。Freshflow因此让店员继续处理例外，并保留改动订单的权力。
那家德国乡村超市留下了一个比损耗数字更具体的结果：几名缺少经验的年轻员工借助这套系统，也获得了每天都能重复使用的订货能力。超市开门前那几十分钟里，每一种草莓该进多少货，已经是一笔可以被软件重新分配的利润。