人工智慧正在把理解需求變成真正的成交能力

Williams-Sonoma 在 2026 年第二季揭露了一組很少見的零售 AI 數字。Williams Sonoma 品牌的購物助理 Olive，自年初以來互動量增加 700%，相關營收增加 620%，與 Olive 互動的顧客轉換率約為其他顧客的三倍。Pottery Barn 同期推出 Otto，讓顧客用對話縮小家具選擇、搭配沙發與地毯、判斷尺寸與材質，必要時再轉交真人設計師；公司並表示，Otto 超過七成的互動不需要轉交真人就能完成。

這些數字把零售業長期分開的兩件事接到了一起。第一件事是企業知道顧客看過什麼、買過什麼、退過什麼；第二件事是第一線銷售人員知道顧客為什麼還沒有下單。傳統數位化做得很好的是前者，生成式 AI 開始碰到的是後者。

成交障礙比商品推薦更接近真實需求

家具顧客通常不是不知道商店裡有沙發，而是不確定尺寸能不能放進家裡、顏色能不能和既有家具共存、布料能不能承受小孩與寵物、價格差異到底換來什麼。廚具顧客也常不是缺少選項，而是無法快速判斷材質、容量、熱源相容性與使用頻率之間的關係。這些問題一旦沒有答案，推薦再精準也只是把更多商品推到顧客面前。

過去的推薦系統主要根據點擊、購買與相似使用者推估下一個可能被點擊的商品。這套方法擅長預測偏好，卻不擅長處理一句帶有多重限制的自然語言需求，例如客廳寬度、既有家具顏色、家庭成員、清潔習慣與預算同時出現。若全部用規則逐一編碼，條件組合會迅速膨脹，維護成本也跟著失控。

大型語言模型提供了一個新的中介層。它可以把顧客說出的非結構化需求拆成商品系統能理解的條件，再透過檢索調用品牌自己的尺寸、材質、庫存、設計知識與服務流程。模型本身未必知道哪一張地毯最適合某個家庭，交易價值來自它能把顧客語言翻譯成企業資料可以回答的問題。

第一方資料開始從廣告資產變成交易資產

零售商過去談第一方資料，最常想到會員分群、EDM、再行銷、優惠券與廣告投放。資料越完整，主要代表找到正確受眾的機率越高。對話式購物把同一批資料推進交易現場：歷史偏好、商品屬性、庫存、內容資產、退貨原因與服務紀錄，可以在一次互動裡共同影響選擇。

這改變資料價值的衡量方式。過去企業問的是某一群人可能喜歡什麼，現在可以進一步問這個人此刻卡在哪一個決策障礙，以及缺少哪一個答案才會買。當模型能讀取商品知識、會員資料與即時庫存，它不只是增加內容，而是在縮短顧客自己搜尋、比較、猜測與求證的時間。

Williams-Sonoma 另一個值得注意的數字，是個人化造訪帶來的營收相對一般造訪已擴大到約九倍，公司表示前一年約為兩倍。這不等於九倍全部由 AI 造成，卻顯示個人化已不再只是首頁排序或推薦欄位，而正在深入顧客的選擇流程。

高轉換率仍然需要拆開選擇效應

三倍轉換率不能直接解讀成 AI 讓所有顧客的購買機率增加三倍。願意主動和 Olive 對話的人，本來就可能具有更高購買意圖，也可能正在處理較複雜、較接近成交的問題。若沒有隨機實驗或足夠嚴謹的對照組，選擇效應無法被排除。

但互動量與相關營收同時大幅增加，仍然反映一件具體的營運變化：原本散落在站內搜尋、商品頁、FAQ、客服與門市人員之間的決策工作，開始被同一個介面承接。顧客少跨幾個頁面、少找幾次答案、少一次等待客服，轉換漏斗中的摩擦就會下降。Otto 能在多數互動中不需要真人接手，也意味著 AI 同時可能降低服務成本，把真人留給高價值或真正需要設計判斷的情境。

通用模型普及反而放大企業知識差距

模型能力越普及，單純取得模型本身越難形成競爭優勢。真正難複製的是企業長年累積的商品語言、搭配邏輯、顧客問題、退貨原因、服務紀錄、價格規則與品類專業。這些資料若沒有被整理成可檢索、可授權、可追溯的知識，模型只能給出流暢但通用的回答。

因此零售 AI 的門檻正在從模型採購轉向資料治理與系統整合。企業必須知道哪些資料能提供給模型、哪些答案必須引用最新庫存與價格、何時需要人工確認、錯誤推薦由誰負責，還要讓對話結果真正連到購物車、預約、會員與售後服務。AI 能不能成交，最後取決於整個交易系統能不能把理解轉成行動。