零售电商行业的AI落地困境

文 | 庄帅 为了探究AI和机器学习项目失败的原因，美国兰德公司的研究团队访谈了65位在工业界或学术界拥有至少五年AI模型构建经验的数据科学家和工程师，这些受访者来自不同规模和行业的企业，以确保结论具有广泛代表性。 最终，访谈内容和相关数据形成了一份题为《人工智能项目失败的根源及其成功之道》的研究报告，据估算超过80%的AI项目最终失败，这些项目要么未能走出试点阶段，要么虽然部署上线却未能交付可衡量的商业价值。 同样的，MIT与麦肯锡的联合研究显示，90%的生成式AI实验项目从未能走出试点阶段。更令人担忧的是，标普全球2025年的调查表明，42%的企业承认放弃了大部分AI计划，而2024年这一比例仅为17%，短短一年间AI项目放弃率飙升了147%。 另据调查显示，84%的商业领袖相信AI将对业务产生重大影响，97%的商业领袖认为部署AI技术的紧迫性正在增加。 然而，同一项调查则显示，仅有14%的组织认为自己已完全准备好将AI整合到业务中。两年前，仅有48%的AI原型项目最终能够进入生产环境，而项目从启动到投产平均需要8个月。 很明显，企业的经理和主管们都面临巨大压力，必须用AI做点什么来向上级证明自己跟上了技术发展，但太多管理者并不清楚如何将愿望转化为行动。 「庄帅零售电商频道」希望通过该报告提炼出AI项目失败的五大环境性原因，为零售电商企业的AI落地提供参考，以避开常见陷阱、提升项目成功率。 五大失败根源 原因一、领导层误解或错误传达问题。 这是AI项目失败最常见的原因，行业利益相关者往往误解或错误传达了需要用AI解决什么问题，84%的受访者将领导层失败列为主要原因。 具体表现为，训练好的AI模型被部署后，发现其优化的指标是错误的，或者模型根本无法融入整体业务流程和上下文中。 有受访者直言，企业领导者认为自己拥有大量数据，因为每周都会收到销售报告，但这些数据可能无法满足新的目标。 这一失败根源在零售行业尤为突出，许多零售商急于部署AI客服或推荐系统，却未能清晰定义成功的标准，比如是要提升转化率、增加客单价还是提高用户留存率。当目标模糊时，AI模型优化的指标往往与真实业务需求脱节。 两年前，塔吉特就推出了一款AI聊天机器人用于内部提升效率，但员工普遍抱怨该工具不完整且基本无用。例如，当询问如何处理不礼貌的顾客时，机器人只是给出了保持冷静和礼貌沟通的建议。 原因二、缺乏高质量训练数据。 许多AI项目失败是因为组织缺乏必要的数据来充分训练有效的AI模型。在领导层驱动的失败之后，数据驱动的失败是第二常见原因。 困难不仅在于数据的数量，更在于获取、清洗和探索组织数据的成本。受访者还提到了人才可用性问题，50位受访者中有7位表示人才短缺是主要困难，另有19位表示虽然总体不缺人才，但缺乏高质量的专业人才。 「庄帅零售电商频道」研究发现，在零售行业，企业拥有海量交易数据，但拥有数据不等于拥有可用的高质量数据。各种各样的数据分散在POS系统、电商平台、会员系统和供应链管理系统等多个孤岛中，格式不一、标准各异。 一位零售业数据分析师可能将80%的时间花在数据清洗和整合上，仅剩20%用于模型训练和优化。 以库存管理为例，这是零售AI最具潜力的应用场景之一，可现实中商品编码不统一、库存数据更新滞后、线上线下库存不同步等这些问题在垃圾进、垃圾出的AI系统中会被无限放大。 原因三、追逐最新技术而非解决问题。 有些AI项目失败是因为组织更关注使用最新最尖端的技术，而不是为预期用户解决实际问题。报告明确指出，追逐最新的AI进展本身就是最常见的失败路径之一。 成功的项目应当聚焦于要解决的问题，而非用来解决问题的技术。许多管理者被技术炒作迷惑，忘记了审视真正的业务问题。 当ChatGPT引爆全球关注后，无数零售商争先恐后地将大语言模型集成到自己的业务中，先有锤子再找钉子成为普遍现象。 2025年10月，沃尔玛高调宣布与OpenAI合作，在ChatGPT中推出即时结账功能，让用户通过对话即可完成购物，然而仅仅五个月后，沃尔玛便终止了这一合作。 问题出在哪里？ 据了解，该功能在准确性上存在严重问题，且无法与沃尔玛的内部购物工具匹配，导致通过OpenAI渠道的订单转化率远低于沃尔玛自有渠道的水平。 沃尔玛随后将自有购物助手Sparky嵌入ChatGPT和Google Gemini平台，早期测试显示通过Sparky完成的购买率达到了通过Walmart.com直接购买率的约70%，虽然仍不及自有渠道，却已远高于OpenAI即时结账的表现。 沃尔玛发言人表示，通过这次合作他们学到，客户希望在每一个触点上获得一致的体验。 这一案例完美诠释了追逐最新技术而非解决问题的失败路径：技术本身是大语言模型和对话式购物，但解决方案未能融入沃尔玛既有的购物流程和用户体验，最终功亏一篑。 原因四、缺乏部署和管理能力。 组织可能没有足够的基础设施来管理数据并部署已完成的AI模型，这显著增加了项目失败的可能性。 AI的部署远比模型本身更依赖于周围的基础设施架构。从数据治理到模型部署，再到后续的维护和迭代，任何一个环节的基础设施不足都可能导致整个项目功亏一篑。 报告建议，对数据治理和模型部署基础设施进行前期投资，可以大幅缩短完成AI项目所需的时间，并增加可用于训练的有效数据量。 据「庄帅零售电商频道」了解，一家大型零售商运营着上百家门店和多个电商平台、复杂的供应链网络和庞大的会员体系，要将这些系统中的数据打通、标准化并实时同步本身就是一项巨大的工程。 理论上，AI可以根据实时库存、竞争对手价格、天气和节假日等因素自动调整商品价格。 实际上，在实践中，这意味着需要将AI模型与POS系统、电商平台、供应链管理系统甚至门店电子价签系统实时对接，任何一个环节的延迟或错误都可能导致定价失误，造成利润损失或客户不满。 星巴克推出了一款AI驱动的库存盘点工具，却只上线9个月便被叫停。 据星巴克内部技术审计报告显示，这个系统对相似包装商品的识别错误率高达23%，在强光或暗光环境下漏检率超过35%，而对糖浆类圆柱形商品的识别准确率不足60%。 问题的根源并非AI算法本身不够先进，而是部署环境中的门店光照条件和商品包装多样性远超AI模型的适应能力，基础设施中的数据采集环境和边缘计算能力未能为AI部署提供足够支撑。 原因五、将 AI 应用于无法解决的场景。 报告强调，AI不是一根可以让任何具有挑战性的问题消失的魔杖，在某些情况下，即使是最先进的AI模型也无法自动完成一项艰巨的任务。 早在2021年，麦当劳与IBM合作推出了AI语音点餐系统，试图用AI替代人工接单员。然而系统在实际运营中频繁出错，有视频显示系统将数百美元的麦乐鸡添加到顾客订单中，还有顾客反映冰淇淋中被错误添加了培根。 三年后，麦当劳宣布终止这一AI点餐试验。 问题在于，得来速点餐场景中汽车引擎声、风雨声和旁边车道的各种外部噪音严重干扰了语音识别，而AI难以在嘈杂环境中准确理解顾客的点餐指令。 这不是AI不够好的问题，而是这个特定问题本身就超出了当前AI的能力边界。 另一个有趣的案例来自AI公司Anthropic的实验，他们让大语言模型Claude担任AI店长，独立经营一间零食自动售货店，结果以亏损告终。 AI店长