AI最難取代的是顧客最後的判斷

零售商幾乎都已經在用 AI，卻沒有因此把購物本身交給 AI。Linnworks 對美英 500 家線上零售商的調查顯示，超過 95% 已在營運中使用某種 AI，客服 chatbot 的採用尤其普遍；但直接訂購、會員經營與真正改變購物決策的應用仍遠低於內容生成、客服與後台自動化。這個落差不是企業不夠積極，而是 AI 在零售最容易創造價值的地方，恰好與消費者最不願交出控制權的地方不同。

客服、商品文案、翻譯、廣告素材與庫存預測都有一個共同特徵：AI 做錯時，企業仍有機會在交易之前修正。自動下單卻不同。商品、價格、尺寸、配送時間與付款只要其中一項判斷錯誤，錯誤就直接變成顧客的金錢損失。AI 從協助資訊處理跨到替人做決定，風險不是線性增加，而是責任開始從建議轉成交易。

AI越接近付款信任門檻就越高

Gartner 在 2025 年底調查美國消費者後發現，使用生成式 AI 協助最近一次購物的人中，54% 表示必須重新核對 AI 提供的所有資訊，62% 認為 AI 給出的資訊最後反而浪費時間。消費者真正想要的，是讓 AI 幫忙找資料、比較價格、找優惠與縮小選擇，而不是把最後決策權交出去。這解釋了為什麼 AI 在搜尋與客服迅速普及，到了 autonomous purchase 卻突然減速。

問題首先是零售資料本身並沒有準備好讓 AI 自主交易。大型語言模型可以理解「我要一雙適合下雨天通勤又不要太像登山鞋的鞋」，但真正成交還需要即時庫存、門市庫存、尺寸、促銷資格、會員價格、配送 SLA、退貨條件與商品屬性的結構化資料。這些資料往往分散在 PIM、ERP、OMS、CRM、POS 與第三方 marketplace，而且更新頻率不同。AI 可以把自然語言理解得很好，卻可能在最關鍵的價格與庫存上拿到過期資訊。

其次是偏好很難被完整資料化。會員歷史可以告訴零售商一個人過去買過什麼，卻不等於知道他今天為什麼買。送禮、臨時旅行、體重改變、家中新成員、預算突然收緊，都可能讓過去行為失去預測力。推薦錯一件商品只是一次不準；如果 AI 根據同一個錯誤推論自動下單，會員資料反而會把錯誤放大成交易。

這也是會員經營比客服更難全面 AI 化的原因。CRM 的目標不是回答一個問題，而是決定誰應該在什麼時間收到什麼權益、價格或訊息。這牽涉品牌策略、毛利、促銷公平性與長期顧客價值。模型若只追求短期轉換，很容易把折扣持續給最容易購買的人，訓練顧客等待優惠；也可能把高價值會員誤判為不需要激勵，反而削弱忠誠。AI 可以提高預測能力，但「應該如何對待這個會員」仍然是一個商業政策問題。

零售AI的瓶頸其實不是模型能力

消費者的不信任也不是抽象的科技恐懼。Gartner 的數字顯示，當 AI 產生的資訊需要重新驗證，它原本承諾節省的時間就消失。Alchemer 2026 年零售調查也出現相同斷層：48.5% 消費者曾用 AI 研究購物，但完全或大致信任 AI 推薦的只有 35.4%。使用率可以因為工具免費而迅速增加，信任卻必須靠一次又一次正確結果累積。

真正的購物體驗還有一個 AI 很難消除的問題：零售決策經常不是最佳化問題。消費者不一定要「最適合」的商品，也可能因品牌認同、外觀、朋友推薦、門市體驗或單純喜歡而購買。AI 擅長把條件轉成排序，但如果平台把推薦變得過度理性，反而可能把逛街最重要的偶然發現與情緒價值拿掉。購物不是採購部門的 tender；很多時候，人正是因為不知道自己最後會買什麼才願意逛。

因此目前最成功的 AI 零售應用，多半停在 decision support，而不是 decision replacement。客服 chatbot 先回答重複問題，商品搜尋把自然語言轉成候選集合，行銷系統協助產生素材與預測受眾，庫存系統協助人判斷補貨。這些應用都把人的時間從資訊整理中釋放出來，卻沒有把不可逆的最終責任一起交出去。

要讓 AI 真正進入訂購與會員經營，零售商需要補的因此不是另一個模型，而是交易基礎設施。商品與庫存資料必須即時且可驗證；AI 必須知道哪些欄位是事實、哪些只是推論；付款需要明確授權額度與二次驗證；推薦必須能解釋為什麼選這個商品；錯買之後還要有清楚的責任與退貨機制。當這些條件不存在，越聰明的 AI 反而可能越有能力把錯誤快速放大。

零售 AI 的下一階段因此不會是讓機器突然替所有人購物，而是逐步擴大可授權範圍。低風險、高重複性的補貨，例如固定品牌的寵物飼料或耗材，可能先交給 AI；高單價、尺寸敏感、風格導向或不可退的商品，消費者仍會保留最後確認。AI 真正改善購物體驗的關鍵，不是把人從購物流程拿掉，而是把不值得人花時間的工作拿掉，同時讓人保有最後的選擇權。