AI 不只在雲端回答問題：它正走進每一條貨架與購物動線

這一波與電商革命不同，AI 必須碰到真實世界

上一輪網路革命的主戰場，是把商品、訂單與付款搬到線上；這一輪 AI 革命的難度更高，因為模型必須理解貨架上的缺貨、錯置與價格，也必須面對即時庫存、門店動線、密集客流及最後一公里履約。只會聊天的 AI，還不能替零售商補上一瓶缺貨的牛奶。

中泰證券這份 18 頁報告的核心價值，在於把海外線下零售的 AI 路線放到同一張地圖上。前台有智能購物車、無感結帳與購物助手；中台有圖像辨識和任務派送；後台則是需求預測、補貨、庫存、促銷與定價。它們不是彼此獨立的科技玩具，而是逐步接成一條營運鏈。

五條路線，成熟度與回報週期完全不同

供應鏈 SaaS 最成熟，因為資料本來就相對結構化，導入後可直接觀察庫存與現貨率；貨架巡檢次之，機器人或手機影像都能先從『看見問題』創造價值；智能購物車同時牽涉硬體、充電、識別、結帳與消費習慣，但一旦成功，還能增加客單價與零售媒體收入。

無感結帳最吸睛，卻也是大型場景最難的一條路。相反地，Walmart 的 Sparky 看似只是 APP 裡的聊天助手，背後真正需要的是超過一萬家門店、庫存系統、供應鏈與履約網路。科技的畫面愈簡單，底層通常愈不簡單。

判斷零售 AI，不要只問能省多少人

報告提醒市場，AI 對線下零售不應只用『節流』衡量。巡檢會提高有貨率，智能購物車會推動推薦與廣告，AI 助手會提高客單價與轉換，供應鏈預測則能在降低庫存的同時減少缺貨。真正值得追蹤的是收入、毛利、庫存和顧客關係能否同時改善。

對台灣零售商而言，起點不必是最昂貴的機器人。先把商品主檔、即時庫存、會員識別和門店任務做乾淨，才有資格談更上層的 AI。否則 AI 只是用很快的速度，把錯誤資料講得更有自信。

• 營運層：缺貨率、價格準確率、巡檢工時與任務完成時間。
• 財務層：客單價、轉換率、庫存週轉、損耗與廣告收入。
• 策略層：資料是否留在自己的系統、是否掌握 AI 流量入口。