Sparky 看起來像聊天機器人，Walmart 真正打造的是一整套零售 AI Stack

把外部對話流量，導回可控的零售環境

Walmart 於 2026 年 3 月把自有 AI 助手 Sparky 接入 ChatGPT，讓使用者從外部模型的探索階段，進入 Walmart 的定制化環境。這個設計避免外部模型直接以不完整的網頁資料猜測庫存與配送，也讓交易資料能回到 Walmart 系統。

Sparky 支援商品決策、多模態輸入、智能搜尋與比價，也能處理戶外活動、派對等情境式整單採購。顧客不必先列出購物清單，而是描述想完成的事情，系統再把需求翻譯成多項商品與履約方案。

四層架構，缺一層都只剩漂亮 Demo

最上層是對話與多模態介面；下面是代理與編排，負責拆解任務、搜尋、比較和組合購物籃；再下層是 Walmart 自研模型 Wallaby 與零售領域能力；最底層則是商品、門店、庫存、會員、支付、配送與售後系統。

生成式 AI 擅長處理模糊需求，但零售交易需要確定性。『適合十人派對的飲料』可以由模型提出候選，『今晚七點前能送到幾瓶、價格多少』則必須由交易系統回答。把創意推理和確定資料分層，是零售 AI 能否上線的關鍵。

每一次對話，都應該改善下一次服務

如果使用者拒絕某個推薦、改變預算、指定品牌或選擇到店取貨，這些訊號都能改善推薦和需求預測。但資料沉澱必須建立在清楚授權、可撤回與用途限制之上，不能把一次詢問默認成永久偏好。

零售商也要建立回應品質指標：庫存承諾準確率、推薦接受率、替代品成功率、對話後轉換、取消與退貨原因。AI 助手不是客服中心的新名字，而是一個需要持續管理損益與信任的產品。

一個『幫我準備十人派對』的要求，背後其實是多個系統共同完成

Sparky 首先要理解人數、時間、飲食限制、預算與取貨方式，再把模糊任務拆成飲料、主食、零食、餐具與清潔用品等品類。接著搜尋商品、比較容量與價格、確認附近庫存、組合購物籃，最後選擇配送或到店取貨。任何一段都可能要求追問使用者；若模型過度自信而不追問，結果可能看似完整卻不符合真正需求。

這類任務同時需要兩種能力。生成模型負責理解與規劃，交易系統負責價格、庫存、限制與承諾。前者可以有創意，後者必須確定。工程上應讓模型只能透過受控工具讀寫購物籃，並在付款、替換高價商品、變更地址等關鍵動作前取得確認。把權限分層，才能避免一次錯誤推理直接變成錯誤訂單。

Wallaby 等自研模型的價值也不只回答語氣，而是理解零售領域的商品關係、規格、替代與任務。然而自研模型仍不能取代商品主檔。模型知道牛奶可以替代，不代表它知道某門店今晚剩幾瓶；知道派對需要冰塊，也不代表能承諾三十分鐘送達。AI Stack 的護城河，是把領域理解與即時營運資料可靠地接在一起。

衡量購物助手，不應只看對話次數，而要看任務完成與信任

產品團隊可以把漏斗拆成需求理解、商品探索、加入購物籃、確認、付款與履約。每一段都追蹤完成率、放棄原因與人工轉接，才能知道使用者是因為推薦不好、庫存不準、價格不符，還是流程太長而離開。單純增加對話量可能只是功能被放到更顯眼的位置，並不代表購物任務更有效率。

信任指標同樣重要。系統推薦的商品是否有庫存、替代品是否經過同意、價格是否與結帳一致、承諾時間是否達成，都要持續監控。一次錯誤的生活建議可能令人失望，一次錯誤的付款或配送承諾則會直接造成退款與客訴。零售 AI 必須用交易等級的品質標準管理，而不能只沿用聊天機器人的滿意度。

對其他零售商而言，Walmart 最值得學的不是複製 Sparky 的介面，而是盤點自己的四層能力：商品與交易資料是否可靠、工具 API 是否可控、代理是否有權限與確認機制、最上層體驗是否真的解決顧客任務。若底層還沒準備好，先改善搜尋、替代品與庫存承諾，會比推出一個能聊天卻不能負責的助手更有價值。