Walmart 的 AI 護城河不是模型：是 10,974 家門店與半小時履約半徑

模型給答案，門店網路負責兌現

報告引述 Walmart 資料：截至 2026 年 4 月 30 日，美國門店 5,215 家、美國以外 5,759 家，全球共 10,974 家。超過 90% 的美國家庭住在距 Walmart 門店 10 英里內；其履約能力可在 3 小時內覆蓋 95% 家庭、30 分鐘內覆蓋 60%。

這些數字讓 Sparky 與一般商品推薦器產生本質差異。AI 不只是告訴你該買什麼，還能根據附近庫存與運能回答何時拿到。門店從銷售空間變成前置倉、退貨點、服務節點與即時資料來源。

數位世界的入口，最後仍要落在物理世界

基礎模型可以快速縮短體驗差距，卻無法一夜之間複製一萬家門店、供應商關係、冷鏈、員工與最後一公里。當模型逐漸商品化，稀缺資產會從『誰有聊天功能』轉向『誰能準確交付』。

這也解釋線下零售為何在 AI 時代重新獲得戰略價值。過去門店常被視為固定成本，現在它可以同時承擔展示、履約、資料與信任。前提是庫存必須夠即時、流程必須可編排，否則門店數量只會變成一萬個資料不一致的地方。

台灣零售商可以複製的是邏輯，不是規模

台灣市場密度高，不一定需要複製 Walmart 的門店數。超商、藥局、量販與社區店若能共用會員、庫存與取退貨能力，也能建立高密度履約網路。競爭焦點將從『有多少店』轉為『多少店能被同一套系統即時調度』。

因此第一步不是推出 AI 助手，而是建立可承諾庫存、可計算運能與可追蹤訂單的基礎。顧客不會因為回答用了大模型，就原諒商品晚到。

門店密度只有在庫存可見、運能可算時，才會變成 AI 的履約優勢

一萬多家門店是龐大資產，但如果系統不知道每一家店的真實可售庫存，AI 就無法安全承諾。帳上有貨可能實際被顧客拿在手上、損壞、放錯位置或尚未從後場上架。Walmart 的護城河因此不只是地點，而是持續把 POS、巡檢、補貨與訂單資料同步，將物理門店轉成可被軟體調度的節點。

三小時覆蓋與三十分鐘覆蓋也不是地圖畫圓就能得到。系統需要判斷揀貨人力、門店忙碌程度、配送員、交通、冷鏈與訂單組合，並在推薦階段就知道哪些商品能一起交付。AI 如果只追求轉換，把跨多店、低毛利又難配送的商品塞進同一張訂單，營收可能增加，履約成本與延遲也會同步上升。

門店作為前置倉還牽涉銷售顧客與線上揀貨的衝突。員工為外送訂單取走最後一件商品，現場顧客可能撲空；線上訂單在走道大量揀貨，也可能影響購物體驗。因此網路優勢必須搭配庫存分配與門店作業設計，不能只把既有店面視為免費倉庫。

台灣不需要複製一萬家店，但可以建立一張可共同調度的高密度網路

台灣城市距離短、超商與藥局密度高，理論上更適合快速取貨與退貨。然而不同品牌、加盟體系與資訊系統彼此分離，同一個地理優勢未必能形成共同服務。企業應先讓自有門店的商品、庫存、營業時間、取貨容量與退貨權限標準化，再考慮跨業合作。可調度的節點數，比招牌總數更有意義。

一個務實起點，是先選高頻、規格清楚且保存容易的商品，提供可信的到店取貨承諾，逐步加入即時替代與跨店調撥。每次承諾都記錄預估與實際完成時間，持續修正運能模型。當基礎服務可靠後，AI 助手才能根據使用者時間與位置推薦最合適的門店，而不是只推薦商品。

長期來看，模型能力會更容易取得，物理節點、供應商關係與在地服務仍需要多年累積。台灣零售商的 AI 戰略應把門店從成本中心重新定義為資料、履約、體驗與信任的共同基礎設施。只要能被同一套系統看見與編排，即使規模遠小於 Walmart，也能在特定城市與品類建立難以被純線上平台複製的優勢。