顧客遭錯誤驅離後暫停使用人臉辨識

英國 Sainsbury’s 在倫敦 East Dulwich 一家門市暫停使用即時人臉辨識系統，原因是一名顧客遭到錯誤攔查並被要求離店。這不是 Sainsbury’s 第一次碰到類似爭議；今年稍早，另一名顧客也曾在 Elephant and Castle 門市因系統警報後的人工作業錯誤而被趕走。Sainsbury’s 與系統供應商 Facewatch 都強調，至少其中一些事件並非演算法辨識錯誤，而是員工在處理警報時找錯了人。

這個說法在技術責任上也許成立，卻恰好說明零售場景的問題。顧客不會把「模型、警報介面、店長判斷、保全執行」拆成四個系統。他只知道自己買東西時突然被當成竊賊。Sainsbury’s 官方資料顯示，Facewatch 技術已用於數十家門市，原本目的在辨識涉及暴力、攻擊或偷竊的已知違規者，並由受訓員工介入。零售犯罪增加，第一線員工確實承受風險，業者尋找科技工具並不難理解。問題出在科技一旦進入實體門市，最後一公尺仍然是人。

賭場也辨識人，但它有完全不同的損益表

人臉辨識並不是零售業第一個拿來找「不受歡迎顧客」的技術。賭場長期投入高密度監視、身分辨識、牌桌行為分析與跨場館情報，目標包括作弊集團、被禁入人士，以及可能造成重大損失的專業玩家。賭場願意花這筆錢，首先是因為單一事件的經濟價值夠高。一個有組織的作弊團隊可能在短時間造成遠高於一車未結帳商品的損失；賭場本身又是高度管制、監視本來就密集的特殊環境，因此可以把攝影機、人員、資料庫與人工覆核整合成一套成本很高的安全體系。

超市的數學完全不同。它每天處理的是大量低金額交易，門市毛利有限，保全支出必須在數百家甚至上千家店複製。即使偷竊總額很大，也不代表每一次警報都值得投入賭場等級的人力調查。這正是自動化最有誘惑力的地方：如果一套系統可以先把幾十萬個進店者縮小成少數警報，理論上就能用較低成本處理損耗。但成本壓得愈低，人工覆核愈薄，錯誤被攔截的機會也會下降。

99.98% 之類的準確率，不能直接回答門市會抓錯多少人

這裡還有一個很容易被準確率掩蓋的統計問題：基準率。如果真正需要攔截的人只占所有進店者極小比例，即使辨識系統對個別比對非常準確，大量普通顧客乘上一個很小的誤報率，仍可能產生不可忽視的錯誤警報。更何況門市最後還有第二層人工作業：員工要看螢幕、確認對象、判斷是否接近，再決定怎麼介入。演算法準確率並不等於整個流程的準確率。

賭場可以對高風險個案多花幾分鐘，甚至交給專職 surveillance team 追蹤。超市若要對每個警報都做到同樣程度，科技原本承諾的節省很快就會消失。因此零售商真正要計算的不是「AI 準不準」，而是完整流程的期望成本：減少多少偷竊、降低多少員工受暴風險、增加多少系統與訓練成本，以及一次錯誤驅離會帶來多少賠償、監管、品牌與顧客信任損失。

零售科技的責任，不能停在「系統沒有錯」

Sainsbury’s 的案例還揭露一個管理上常見的陷阱。企業導入自動化後，供應商可以說模型正確、零售商可以說員工操作錯誤、員工則可能說自己只是按照警報行事。每一個環節都有一套局部合理的解釋，顧客承受的卻是整套流程共同造成的結果。

這也是實體零售與線上推薦最大的差別。推薦錯一件襯衫，顧客滑過去就算了；錯把一個人當成竊賊，會立刻改變他在公共空間中的身分，而且通常是在其他顧客面前發生。零售商因此不能只採購一個辨識率漂亮的模型，而要設計警報門檻、人工覆核、攔查話術、申訴程序、資料保存與事後補救。賭場的經驗能提供技術想像，卻也提醒了成本現實：高品質辨識從來不只是買一套攝影機，而是一整套昂貴的人與制度。對超市來說，真正困難的是在低毛利、高流量的環境裡，決定自己願意為避免一次錯誤付多少錢。