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。

從技術清單走向經營系統，關鍵是讓五條路線互相餵資料

如果只把智能購物車、巡檢機器人、圖像辨識、供應鏈預測與購物助手分別採購，零售商得到的很可能是五座新的資料孤島。更完整的設計應該讓貨架巡檢發現的缺貨，立即修正線上可售庫存；讓購物車累積的選購訊號，回饋需求預測；再讓供應鏈系統提出的替代品，成為購物助手可以安全推薦的選項。AI 的效益不是五套產品相加，而是資料在同一個營運迴圈中流動。

這也是 Physical AI 與一般企業軟體最大的差別。它面對的不是乾淨表格，而是被顧客拿走又放回的商品、臨時堆在走道上的紙箱、延遲更新的價簽，以及門店員工當下能否處理任務。任何模型建議都必須落到真實動作，並由下一次掃描或交易確認結果。沒有驗證動作的 AI，只是把問題描述得更快；能持續確認現場已被修正，才算形成閉環。

因此，導入順序應由資料成熟度和回收週期決定，而不是由展示效果決定。商品主檔、門店編碼、即時庫存與任務責任若還不一致，先做供應鏈例外管理或手機巡檢，通常比直接買機器人合理。等到企業能清楚回答『哪一間店、哪一個 SKU、哪一個問題、由誰在多久內處理』，再增加自動採集設備，投資才不會被混亂流程吃掉。

台灣零售業真正可用的判斷方法：先算問題密度，再選 AI

台灣便利商店密度高、量販與超市競爭激烈，但每一種業態的問題密度不同。便利商店單店面積小、補貨頻率高，適合從需求預測、鮮食報廢與店員任務排序切入；量販店 SKU 多、走道長，貨架巡檢與智能購物車較有機會形成規模效益；百貨與購物中心的核心則可能是跨櫃位會員、導購與服務編排。把海外案例原樣搬回台灣，往往忽略了店型、工資、客流與供應鏈差異。

經營者可以先做一張問題損益表：一年因缺貨少賣多少、因報廢損失多少、員工花多少工時巡查、價格錯誤造成多少客訴，以及顧客在結帳與找商品上浪費多少時間。接著只選一個損失高、資料可取得、十二週內能驗證的問題試點。若試點成功，再把相同資料標準複製到更多門店；若沒有改善，就應停止，而不是用更多功能掩蓋原本的假設錯誤。

最終，零售 AI 的競爭不是誰先在新聞稿上寫出 AI，而是誰能把現場狀態轉成可信資料，再把決策穩定地變成門店動作。這套能力一旦形成，未來不論更換模型、機器人或雲端供應商，企業仍保有自己的商品知識、營運規則與顧客關係。那才是實體零售在 AI 時代真正值得累積的資產。