AI辅助整理：本文基于下方列出的公开原始来源改写，不代替原文。
核心摘要： US Foods 是全美领先的餐饮食品分销商，服务约 30 万家餐厅与餐饮经营者。其销售代表为潜在客户制作菜单与设备维护提案此前高度耗时——需人工核对纸质菜单、电子表格与多语言手写笔记，单份最多耗时 4 小时。团队用 6 周在 Amazon Bedrock 上做出 POC，以 Claude 模型做商品与服务推荐、Amazon Textract 抽取扫描文档信息，先小范围试点再推广，最终把 Automated Order Guide 交给 3300 名销售使用。结果单份提案从 3–4 小时降到约 20 分钟，上线 6 个月累计省下超 32,000 小时手工工作量，投资回报提升约 10 倍。
业务背景
US Foods 是美国领先的食品分销商之一，为约 30 万家餐厅、医疗机构等餐饮经营者提供食材与相关服务。其销售团队在开发新客户时，需要为潜在客户制作包含菜单建议、设备维护方案等内容的提案。
这些提案的制作高度依赖人工：销售代表需要从纸质菜单、电子表格、多语言手写笔记等多个来源收集信息，再手工整理成一份完整文档。官方案例显示，制作一份提案平均耗时 3 到 4 小时，部分复杂情况甚至更久。
问题诊断
提案制作之所以耗时，核心在于信息分散且格式不统一。销售代表需要先找到正确的资料，再判断哪些商品或服务适合该客户，最后还要把内容整理成客户能直接阅读的格式。
这种重复性劳动占据了销售代表大量时间，挤压了真正需要人际沟通与判断的客户拜访和关系维护工作。US Foods 机器学习副总裁 David Falck 在案例中表示，团队希望把销售代表从繁琐的资料整理中解放出来。
AI 怎么落地
US Foods 选择在 Amazon Bedrock 上构建名为 Automated Order Guide 的解决方案。团队用 6 周时间完成概念验证，核心思路是让模型理解客户需求并推荐合适商品。
在技术实现上，方案使用 Claude 模型处理商品与服务的推荐逻辑，同时用 Amazon Textract 从扫描的纸质菜单和手写笔记中抽取结构化信息，解决历史资料数字化的问题。
实施步骤
团队先在小范围内试点，让部分销售代表实际使用并反馈问题，再根据反馈调整提示词与推荐逻辑。
试点验证效果后，方案逐步推广至全部 3300 名销售代表。AWS 案例页提到，团队在推广过程中持续收集一线使用意见，用于优化模型表现。
结果证据与边界
据 AWS 官方案例页披露，Automated Order Guide 上线后，单份提案的制作时间从 3–4 小时缩短至约 20 分钟。
上线 6 个月内，该工具累计为销售团队节省超过 32,000 小时的手工工作量，官方称投资回报提升约 10 倍。需要说明的是，这些数据来自厂商与客户联合披露口径，未提供独立审计；对成交额或线索转化率的直接影响，来源未披露。
可复制动作
第一，从“收集+核对多来源数据”这类高耗时、重复且低创造力的销售任务切入，而非先改造整体 CRM。
第二，用托管模型服务快速对比多种模型，在数周内先做小范围 POC 验证效果，降低试错成本。
第三，先在一个区域试点，与一线销售共创、收集反馈后再逐步推广，降低组织抵触。
第四，用文档抽取类服务（如 OCR）解决历史资料的非结构化问题，为模型提供干净输入。
证据与边界
- 数字均由 AWS 官方客户案例页披露，并引用客户方高管的直接证言。
- “省 32,000 小时”“10 倍回报”为厂商客户案例口径，未提供第三方审计或成交金额数据。
- 计划将应用嵌入既有销售系统属未来预期，非已实现结果。
企业今天可以做什么
可复制动作：其一，从“收集+核对多来源数据”这类高耗时、重复且低创造力的销售任务切入，而非先改造整体 CRM。其二，用托管模型服务快速对比多种模型，6 周内先做小范围 POC 验证效果。其三，先在一个区域试点，与一线销售共创、收集反馈后再逐步推广，降低组织抵触。其四，用文档抽取类服务（如 OCR）解决历史资料的非结构化问题。