Sparky 看起來像聊天機器人，Walmart 真正打造的是一整套零售 AI Stack
Sparky 能搜尋、比價、看圖、理解語音並完成情境式整單採購；底層則由自研模型 Wallaby、商品資料、庫存、會員與履約系統支撐。介面只是冰山露出水面的那一角。
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。
Sparky 的價值來自完整零售 AI Stack
文字、圖片、語音、影片與場景式採購
把模糊需求拆成商品、數量與履約選項
理解商品、意圖、替代與情境
可交易答案的確定性底座
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。
這是「海外實體零售 AI 進展」第 11 篇。下一步不是再問 AI 能不能做，而是驗證它能否在真實門店裡持續創造可計算的收入、效率與信任。