AI助力零售：从场景选择探寻未来新机遇

零售行业增速放缓、成本压力增大，AI成为破局的关键因素。同时，企业对AI投入的商业价值、投资回报率（ROI）以及落地效果的要求也愈发迫切。

在此背景下，我们邀请到了多点数智AI产品负责人宋楠，围绕两次AI浪潮的差异、零售AI落地的要点以及未来的发展机会等方面展开交流探讨。

内容已做精简，如需获取专家完整版视频，请扫码领取。

01 两次AI浪潮的核心差异

AI在零售领域已经应用多年，例如收银环节的识别、称重与结算。但以往的模型仅适用于单一的小场景，若更换场景则需要重新训练、调试，甚至开发新的模型。而当前大模型的核心优势在于其更强的泛化性与通用性，无需复杂操作就能应用于多个场景。

进一步来看，以往的模型依赖企业的大量数据，通过算法挖掘规律，但行业知识、从业者经验等难以数据化的内容无法被系统利用。而当前的大模型能够理解自然语言形式的行业知识，消化从业者的经验并融入算法，让以往难以数据化的信息发挥作用。

同时，企业可以将多年经营的历史数据与知识输入大模型，基于同一底层模型，融入自身的业务数据与知识，使模型更贴近实际场景，形成企业专属模型。

过去，往往需要为每家零售企业单独重新训练模型。多点数智的宋总认为，如今泛化性较强的AI模型，在不同企业落地到同类场景时，最终达到的效果已较为接近。

以AI出清场景为例，过去不同零售企业的折扣策略差异显著，甚至需要针对阶梯折扣单独设计算法。现在依托泛化性强的模型，只需输入企业的商品剩余库存、历史销量、天气及人流数据，模型就能模拟业务逻辑给出精准的折扣建议，实现“到店到品”的差异化策略，既减少了人工干预，又能提升生鲜品类的利润。

再看补货场景，以往补货被视为难以AI化的“黑盒”环节，每家企业都需要适配线性算法。如今将补货历史数据与从业者的思考过程输入模型，就能让模型模拟人工判断，实现“到天、到店、到品”的销售预估。即便不同超市的经营特点不同，模型落地后的预估准确率也能保持在相近水平，充分体现了泛化性带来的通用性优势。

还有烘焙品类运营，以往存在备货量难以把控的问题，剩余商品常需打折处理，而烘焙师傅更关注工序与产品品质，难以精准判断各时段的生产数量。当前多点数智落地的“AI鲜算”产品可针对性地解决这一痛点，能提前一天告知所需胚子与配料的准备量，次日实时监控销售动态，按时段更新闭店前的预估销量，并以看板形式直观展示数据。

此外，该产品支持自然语言交互，从业者可直接询问销售波动的原因，AI会结合人流变化、活动开展等因素给出解释，帮助从业者针对性地调整备货策略，实现按需生产、减少浪费，显著提升烘焙品类的运营效率与精准度。

这些场景的落地效果，背后是新旧AI在规律挖掘逻辑上的核心差异。以往的AI虽能挖掘数据规律与特征，但存在规律不可解释、无法判断规律是否有效以及是否存在过拟合等问题。而当前的AI则在知识层面挖掘规律，知识本身的可解释性让规律更具可信度，这也是其泛化性更强的关键。

不过，企业在实际应用中也出现了矛盾认知。一方面认可AI处理非结构化数据、文本数据的能力；另一方面在落地时发现，还需要解决过去知识沉淀不足的问题，这种矛盾也成为AI进一步落地的现实挑战。

02 零售企业AI应用的价值落地与场景选择

当前零售行业增速放缓、企业成本压力大，AI投入的ROI成为关键，而选对场景是控制成本、提升收益的核心。虽然当前AI具有泛化优势，但并非适用于所有场景。在不合适的场景投入会导致浪费。

零售企业前期无需开展大规模的基础设施建设，不用自行训练模型或购买大量GPU，使用无需训练的基础模型，就能在合适场景实现六成至七成的效果。验证可行后再进行微调，可大幅降低初期成本。

同时，重复任务可通过传递思考过程（COT）让AI落地。随着Token费用降低、底层模型升级，企业验证场景后，既能收集数据优化效果，又能控制成本，这种优势是传统系统所没有的。

当然，也存在AI落地失败的场景，且这类场景有明显的共性。一类是不允许出现差错的场景，如生成财务报表；另一类是需要在有明确边界内实现创造性的场景，如生成商品详情图或促销海报。AI生成图片并不难，但要符合企业规范难度较大，修改提示词可能导致结果偏差较大，反复调试成本高，且当前多模态调试难度大。这也说明，AI场景选择需要贴合自身的能力边界。

场景特性决定了厂商与甲方的合作模式，二者需要互补适配。甲方独有的场景会涉及专属洞察，因此适合甲方自行开发。补货、选品等通用且需要深度调试的场景，厂商更具优势。因为厂商服务过多家企业，积累了丰富的经验，能帮助甲方规避风险、快速渡过落地难关。尤其在AI从Demo到规模化推广的阶段，厂商可提供数据清理、模型调试支持，避免甲方因摸索困难而放弃。

03 未来1 - 2年，零售AI可继续挖掘的新机会

从未来零售行业的发展趋势来看，精细化运营将成为核心方向，而这一过程离不开AI的深度支撑。过去零售行业的运营多依赖人群画像，通过打标签的方式对消费者进行分类，这种方式较为宽泛，难以精准捕捉每个消费者的独特诉求。

未来的零售运营需要进一步细化到“每个人”。每个消费者的购物偏好、价格接受度、消费习惯都存在差异，传统技术无法实现对个体的个性化服务，而AI可承担这一角色，甚至可能为每个消费者配备专属AI助理，通过精准分析个体特征，提供更贴合需求的服务，让零售服务真正触达个体消费者的核心诉求。

未来零售将彻底打破过去孤立看待“人货场”的固有思维，转向以“人”为中心重构人货场关系。以往提到零售的“人货场”，场地只是单纯的销售空间，商品仅从供给端角度考虑。而未来无论是商品还是场地，都会围绕消费者的需求展开。商品层面，消费者会更关注营养价值、是否无公害等与自身健康相关的属性；场地层面，消费者的购物体验成为核心，如卖场中的互动感、舒适度等。

基于这一趋势，多点数智规划中的“AI优品”产品，正是围绕“以人为中心”的思路设计。当前部分卖场存在“面积大但可购性低”的问题，这并非是商品数量不足，而是大量功能、属性相似的重复性商品占据空间，导致消费者难以找到真正符合需求的产品。

而AI会从消费者的角度优化选品，结合不同人群的生活习惯、需求变化，筛选具有独特特征的商品，减少重复冗余。这样一来，卖场可能会减少部分商品数量，但每个商品都具备差异化特点，呈现“琳琅满目”的效果，提升消费者的购物效率与体验。

“AI优品”的核心优势还体现在选品的“到店化”。根据不同门店所在商圈的人群特点，定制化匹配商品，打破过去统一铺货的模式。不同商圈的消费者群体差异显著，生活场景、消费需求也各不相同。过去零售企业多采用整体铺货策略，忽略了商圈人群的局部需求差异，导致部分商品在特定门店滞销，而部分需求无法得到满足。未来借助AI，可精准分析每个门店所在商圈的人群特征，挖掘其独特的生活场景需求，进而针对性配品。不仅考虑商品的普遍适用性，更关注局部人群的特殊需求，让每个门店的商品结构都与当地消费者的生活习惯高度契合，既提升商品的精准触达率，避免资源浪费，又能更好地满足不同商圈消费者的个性化需求。

当零售AI的泛化能力逐步渗透到选品、服务、运营的每个环节，从“AI优品”的差异化配品到商圈专属的精准供给，这些正在萌芽的新机会，也将随着企业对“以人为中心”的深化探索，成长为零售行业突破增长瓶颈的新支柱。

本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。

免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com